CN110069810A - 电池故障预测方法、装置、设备和可读存储介质 - Google Patents

电池故障预测方法、装置、设备和可读存储介质 Download PDF

Info

Publication number
CN110069810A
CN110069810A CN201910180801.3A CN201910180801A CN110069810A CN 110069810 A CN110069810 A CN 110069810A CN 201910180801 A CN201910180801 A CN 201910180801A CN 110069810 A CN110069810 A CN 110069810A
Authority
CN
China
Prior art keywords
data
battery
prediction
model
preset
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
Application number
CN201910180801.3A
Other languages
English (en)
Other versions
CN110069810B (zh
Inventor
龙清
张春雨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN201910180801.3A priority Critical patent/CN110069810B/zh
Publication of CN110069810A publication Critical patent/CN110069810A/zh
Application granted granted Critical
Publication of CN110069810B publication Critical patent/CN110069810B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Secondary Cells (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明提供一种电池故障预测方法、装置、设备和可读存储介质，通过获取待测电池在预设的历史时间段内的待测数据；以预设的时序预测模型对所述待测数据进行预测处理，获取所述待测电池在预设的未来时间段内的预测数据，从而对待测电池将要产生的数据进行预测；以预设的故障分类模型对所述预测数据进行处理，获取故障预测结果，其中，所述故障预测结果为对所述待测电池在所述未来时间段中发生预设的故障类型的预测结果，从而实现对电池故障进行提前预测，以主动提早发现电池可能出现的故障，从而在故障发生之前通知运维人员，在电池故障可能引发的断电之前对电池采取修复或更换等补救措施，进而提高了电池监测的可靠性。

Description

电池故障预测方法、装置、设备和可读存储介质
技术领域
本发明涉及电池技术领域，尤其涉及一种电池故障预测方法、装置、设备和可读存储介质。
背景技术
对于例如数据中心等用电系统来说，稳定可靠的电力供应至关重要，数据中心的正常运转离不开电力供应。不难想象，无论数据中心的设备多么先进、功能多么强大，可是一旦断电，再好的系统也无法运转。为了做到数据中心永不断电，通常在通过配置备用电池来规避断电事故时，需要保证使用中或备用中的电池可靠性。
现有的相关技术中，通常是对电池配置状态监测电路，通过状态监测电路对电池的运行状态进行实时监控和故障自动报警。
然而，在电池已发生严重故障时再进行报警，难以及时对备用电池进行修改或更换。可见，现有的电池故障监测方法的可靠性不高。
发明内容
本发明实施例提供一种电池故障预测方法、装置、设备和可读存储介质，实现对电池故障进行提前预测，以主动提早发现电池可能出现的故障，从而在故障发生之前通知运维人员，在电池故障可能引发的断电之前对电池采取修复或更换等补救措施，进而提高了电池监测的可靠性。
本发明实施例的第一方面，提供一种电池故障预测方法，包括：
获取待测电池在预设的历史时间段内的待测数据；
以预设的时序预测模型对所述待测数据进行预测处理，获取所述待测电池在预设的未来时间段内的预测数据；
以预设的故障分类模型对所述预测数据进行处理，获取故障预测结果，其中，所述故障预测结果为对所述待测电池在所述未来时间段中发生预设的故障类型的预测结果。
可选地，所述故障分类模型包括多个故障分类子模型，每个所述故障分类子模型的预测子结果与一种故障类型一一对应；
所述以预设的故障分类模型对所述预测数据进行处理，获取故障预测结果，包括：
以预设的多个故障分类子模型分别处理所述预测数据，获取各所述故障分类子模型的预测子结果，其中，各所述预测子结果指示了所述待测电池在所述未来时间段中发生对应故障类型的可能性；
将所述多个故障分类子模型的预测子结果，作为故障预测结果。
可选地，在所述以预设的故障分类模型对所述预测数据进行处理，获取故障预测结果之前，还包括：
获取电池历史故障数据和电池历史正常数据，其中，所述电池历史故障数据包括所述待测电池和/或与所述待测电池同类型的其他电池在故障状态下的历史数据，所述电池历史正常数据包括所述待测电池和/或所述其他电池在正常状态下的历史数据；
根据所述电池历史故障数据，获取故障特征样本；
根据所述电池历史正常数据，获取正常特征样本；
以所述故障特征样本和所述正常特征样本对初始分类模型进行训练，得到故障分类模型。
可选地，所述初始分类模型包括与预设的多个故障类型一一对应的多个初始分类子模型；
所述获取电池历史故障数据和电池历史正常数据，包括：
根据预设的多个故障类型，获取与各故障类型对应的电池历史故障数据和电池历史正常数据；
相应地，所述以所述故障特征样本和所述正常特征样本对初始分类模型进行训练，得到故障分类模型，包括：
根据各所述初始分类子模型对应的故障类型，确定各所述初始分类子模型对应的所述电池历史故障数据和所述电池历史正常数据；
以各所述初始分类子模型对应的所述电池历史故障数据和所述电池历史正常数据，对所述多个初始分类子模型进行训练，得到多个故障分类子模型；
将所述多个故障分类子模型的一个或多个，作为故障分类模型。
可选地，所述将所述多个故障分类子模型的一个或多个，作为故障分类模型，包括：
获取所述待测电池的故障监测需求；
根据所述故障监测需求在所述多个故障类型中，确定目标故障类型；
将所述目标故障类型对应的所述故障分类子模型，作为故障分类模型。
可选地，所述时序预测模型包括ARIMA模型、PROPHET模型、ETS模型以及回归拟合模型中的一种或多种。
可选地，所述待测数据包括所述待测电池的以下参数的一个或多个：
电池输入电压值、电池输出电压值、电池输入电流值、电池输出电流值、电池内阻值、电池发热量、电池已放电时间。
本发明实施例的第二方面，提供一种电池故障预测装置，包括：
数据获取模块，用于获取待测电池在预设的历史时间段内的待测数据；
数据预测模块，用于以预设的时序预测模型对所述待测数据进行预测处理，获取所述待测电池在预设的未来时间段内的预测数据；
故障分类模块，用于以预设的故障分类模型对所述预测数据进行处理，获取故障预测结果，其中，所述故障预测结果为对所述待测电池在所述未来时间段中发生预设的故障类型的预测结果。
可选地，所述故障分类模型包括多个故障分类子模型，每个所述故障分类子模型的预测子结果与一种故障类型一一对应。
所述故障分类模块，用于以预设的多个故障分类子模型分别处理所述预测数据，获取各所述故障分类子模型的预测子结果，其中，各所述预测子结果指示了所述待测电池在所述未来时间段中发生对应故障类型的可能性；
将所述多个故障分类子模型的预测子结果，作为故障预测结果。
可选地，还包括：
模型训练模块，用于在所述故障分类模块以预设的故障分类模型对所述预测数据进行处理，获取故障预测结果之前，获取电池历史故障数据和电池历史正常数据，其中，所述电池历史故障数据包括所述待测电池和/或与所述待测电池同类型的其他电池在故障状态下的历史数据，所述电池历史正常数据包括所述待测电池和/或所述其他电池在正常状态下的历史数据；根据所述电池历史故障数据，获取故障特征样本；根据所述电池历史正常数据，获取正常特征样本；以所述故障特征样本和所述正常特征样本对初始分类模型进行训练，得到故障分类模型。
可选地，所述初始分类模型包括与预设的多个故障类型一一对应的多个初始分类子模型；
所述模型训练模块，用于根据预设的多个故障类型，获取与各故障类型对应的电池历史故障数据和电池历史正常数据；
相应地，所述模型训练模块，用于根据各所述初始分类子模型对应的故障类型，确定各所述初始分类子模型对应的所述电池历史故障数据和所述电池历史正常数据；以各所述初始分类子模型对应的所述电池历史故障数据和所述电池历史正常数据，对所述多个初始分类子模型进行训练，得到多个故障分类子模型；将所述多个故障分类子模型的一个或多个，作为故障分类模型。
可选地，所述模型训练模块，用于获取所述待测电池的故障监测需求；根据所述故障监测需求在所述多个故障类型中，确定目标故障类型；将所述目标故障类型对应的所述故障分类子模型，作为故障分类模型。
本发明实施例的第三方面，提供一种设备，包括：存储器、处理器以及计算机程序，所述计算机程序存储在所述存储器中，所述处理器运行所述计算机程序执行本发明第一方面及第一方面各种可能设计的所述电池故障预测方法。
本发明实施例的第四方面，提供一种可读存储介质，所述可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时用于实现本发明第一方面及第一方面各种可能设计的所述电池故障预测方法。
本发明提供的一种电池故障预测方法、装置、设备和可读存储介质，通过获取待测电池在预设的历史时间段内的待测数据；以预设的时序预测模型对所述待测数据进行预测处理，获取所述待测电池在预设的未来时间段内的预测数据，从而对待测电池将要产生的数据进行预测；以预设的故障分类模型对所述预测数据进行处理，获取故障预测结果，其中，所述故障预测结果为对所述待测电池在所述未来时间段中发生预设的故障类型的预测结果，从而实现对电池故障进行提前预测，以主动提早发现电池可能出现的故障，从而在故障发生之前通知运维人员，在电池故障可能引发的断电之前对电池采取修复或更换等补救措施，进而提高了电池监测的可靠性。
附图说明
图1是本发明实施例提供的一种应用场景示意图；
图2是本发明实施例提供的一种电池故障预测方法流程示意图；
图3是本发明实施例提供的另一种电池故障预测方法流程示意图；
图4是本发明实施例提供的一种电池故障预测装置结构示意图；
图5是本发明实施例提供的另一种电池故障预测装置结构示意图；
图6是本发明实施例提供的一种设备的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图的各种实施例中，各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
应当理解，在本发明中，“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解，在本发明中，“多个”是指两个或两个以上。“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
应当理解，在本发明中，“与A对应的B”、“与A相对应的B”、“A与B相对应”或者“B与A相对应”，表示B与A相关联，根据A可以确定B。根据A确定B并不意味着仅仅根据A确定B，还可以根据A和/或其他信息确定B。
取决于语境，如在此所使用的“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。
应当理解，在本发明中，“时序预测模型”可以是单一模型，也可以是包含多个时序预测子模型的模型组合。时序预测模型是一种运用时序预测算法，根据输入的历史数据的时间序列，对其未来的变化趋势进行预测分析，进而预测到未来某时间段内可能数据的计算模型。一般来说，时间序列由四种变化成分组成，如长期趋势变化、季节性变化、周期性变化和随机波动。一些简单的预测模型可用来预测上述前三种趋势变化，随机波动则是时序预测模型中需要滤除的成分。
应当理解，在本发明中，“故障分类模型”可以是单一模型，也可以是包含多个故障分类子模型的模型组合。故障分类模型的实现方式有很多，例如可以是朴素贝叶斯(Bayesian)算法模型、支持向量机(SVM)算法模型等基于机器学习的分类模型。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
参见图1，是本发明实施例提供的一种应用场景示意图。在图1所示的应用场景中，待测电池例如是数据中心的备用电池，以预设的数据采集周期对待测电池采集电池参数存入历史数据库1中，时序预测群组2以预设的计算间隔周期从历史数据库1中读取电池参数，并据此对该待测电池未来一个月内电池参数进行预测和估计，得到未来一个月内待测电池的预测参数并发送至故障分类群组3。故障分类群组3对未来一个月内待测电池的预测参数进行故障识别和分类，得到待测电池的故障预测结果。故障预测结果例如可以指示未来一个月内待测电池可能无故障，或者可能出现某个或某些故障类型。
应当理解的，在一些实施例中，本发明可以在具有许多类型的计算机系统结构的网络计算环境中实现，包括个人计算机机、手持式装置、多处理器系统、基于微处理器或可编程的消费电子产品、网络个人计算机、袖珍型计算机、大型计算机、以及类似物。本发明同样也可以在分布式计算环境中实现，其中的各个步骤可以由经通信网络连接(通过硬布线连接，无线连接，或通过硬布线或无线连接的组合)的本地和远程处理装置执行。在分布式计算环境中，程序模块可位于本地和远程的记忆体存储装置。
参见图2，是本发明实施例提供的一种电池故障预测方法流程示意图，图2所示方法的执行主体可以是软件和/或硬件装置。图2所示方法包括步骤S101至步骤S103，具体如下：
S101，获取待测电池在预设的历史时间段内的待测数据。
其中，预设的历史时间段可以理解为终止时刻为当前时刻或者在当前时刻之前的时间段，例如以当前时刻为终止时刻的前一个月时间段。待测电池例如是锂电池或者镍镉电池等。
在一些实施例中，所述待测数据可以包括所述待测电池的以下参数的一个或多个：
电池输入电压值、电池输出电压值、电池输入电流值、电池输出电流值、电池内阻值、电池发热量、电池已放电时间。
例如，待测数据可以是以“电池输入电压值、电池输出电压值、电池输入电流值、电池输出电流值、电池内阻值、电池发热量、电池已放电时间”构成的待测特征向量。在一些实现方式中，待测特征向量中各个参数值还可以先进行归一化的预处理，然后进行下一步的数据预测。
S102，以预设的时序预测模型对所述待测数据进行预测处理，获取所述待测电池在预设的未来时间段内的预测数据。
在一些实施例中，预设的时序预测模型可以是包含多个时序预测子模型，例如时序预测模型B{b1,b2,b3…bn-1}，其中，bk(0<k<n)表示时序预测模型中的任1个时序预测子模型，不同的时序预测子模型可以具有不同的计算周期。由于不同电池参数的时序变化周期存在差异，因此，通过将时序预测模型配置为包含多个不同计算周期的时序预测子模型，能够适应不同电池参数的变化规律，可以提高对预测数据的计算准确性，进而提高了电池故障预测的准确性。
其中，所述时序预测模型可以是包括自回归积分滑动平均模型(AutoregressiveIntegrated Moving Average Model，简称：ARIMA)模型、时间序列预测PROPHET模型、ETS模型以及回归拟合模型中的一种或多种。
其中，ARIMA模型又称差分整合移动平均自回归模型、或者是整合移动平均自回归模型。ARIMA(p，d，q)中，AR是"自回归"，p为自回归项数；MA为"滑动平均"，q为滑动平均项数，d为使之成为平稳序列所做的差分次数(阶数)。“差分”一词虽未出现在ARIMA的英文名称中，却是关键步骤。
PROPHET模型是一款基于Python和R语言的数据预测工具。
ETS模型是一种可以用来拟合有可乘项的指数模型，加入抑制因子，以及进行自动预测。ETS模型既可以理解为Error,Trend and Seasonality，又可以解作ExponenTialSmoothing模型。前者揭示了模型的三个组成部分，后者则描述了模型的工作原理。准确的说，ETS实际上是一整个系列的算法，可以基于这三个组成部分任意组合。
时序预测模型可以是包含上述模型中的一个或多个。在以时序预测模型的到预测数据中，参数类型与模型输入的待测数据相同，例如输入的是“电池输入电压值、电池输出电压值、电池输入电流值、电池输出电流值”组成的待测特征向量，那么时序预测模型输出的是待测电池在未来时间段(例如下一周、下一月)内的“电池输入电压值、电池输出电压值、电池输入电流值、电池输出电流值”组成的预测特征向量。
S103，以预设的故障分类模型对所述预测数据进行处理，获取故障预测结果，其中，所述故障预测结果为对所述待测电池在所述未来时间段中发生预设的故障类型的预测结果。
在一些实施例中，可以是故障分类模型A{a1,a2,a3,…an-1}。其中ak(0<k<n)表示故障分类模型中的任1个故障分类子模型。其中，故障分类模型可以是由n-1个故障分类子模型组成的，从而对需要识别的n-1个故障类型实现预测。
具体地，在一些实施例中，所述故障分类模型包括多个故障分类子模型，每个所述故障分类子模型的预测子结果与一种故障类型一一对应。那么，步骤S103(以预设的故障分类模型对所述预测数据进行处理，获取故障预测结果)可以包括：首先以预设的多个故障分类子模型分别处理所述预测数据，获取各所述故障分类子模型的预测子结果，其中，各所述预测子结果指示了所述待测电池在所述未来时间段中发生对应故障类型的可能性；然后将所述多个故障分类子模型的预测子结果，作为故障预测结果。
例如，故障分类模型包括4个故障分类子模型，且该4个故障分类子模型依次用于识别第一类故障、第二类故障、第三类故障以及第四类故障。假如故障分类模型输出(0,0,0,0)，则表示待测电池在预设的未来时间段内(假设是未来的一周内)不会出现上述四类故障。假如故障分类模型输出(0,0,0,1)，则表示待测电池在预设的未来时间段内(假设是未来的一周内)不会出现第一类故障至第三类故障，但可能会出现第四类故障。
本实施例提供的一种电池故障预测方法，通过获取待测电池在预设的历史时间段内的待测数据；以预设的时序预测模型对所述待测数据进行预测处理，获取所述待测电池在预设的未来时间段内的预测数据，从而对待测电池将要产生的数据进行预测；以预设的故障分类模型对所述预测数据进行处理，获取故障预测结果，其中，所述故障预测结果为对所述待测电池在所述未来时间段中发生预设的故障类型的预测结果，从而实现对电池故障进行提前预测，以主动提早发现电池可能出现的故障，从而在故障发生之前通知运维人员，在电池故障可能引发的断电之前对电池采取修复或更换等补救措施，进而提高了电池监测的可靠性。
在图2所示步骤S103(以预设的故障分类模型对所述预测数据进行处理，获取故障预测结果)之前，还可以包括故障分类模型的获取过程，其实现方式可以有多种，例如参见图3，是本发明实施例提供的另一种电池故障预测方法流程示意图，图3所示方法包括步骤S201至步骤S207，具体如下：
S201，获取电池历史故障数据和电池历史正常数据。
其中，所述电池历史故障数据包括所述待测电池和/或与所述待测电池同类型的其他电池在故障状态下的历史数据，所述电池历史正常数据包括所述待测电池和/或所述其他电池在正常状态下的历史数据。其中，电池历史故障数据例如可以是采用待测电池本身曾经发生故障时的历史数据，由此提高训练样本的准确性。可选地，例如在待测电池本身的历史数据不足时，将同类型的其他电池在故障状态下的历史数据增加入电池历史故障数据中，从而增加样本的数量。同类型的其他电池例如是同一生产厂家生产的同批次同型号的电池。电池的上述故障状态，例如是电池电压、电池电流、发热或放电时长等出现异常的状态。电池的上述正常状态，例如是电池电压、电池电流、发热异常或放电时长等参数都处于额定数值范围内的状态。
S202，根据所述电池历史故障数据，获取故障特征样本。
获取故障特征样本的方式，例如可以是对电池历史故障数据进行归一化的预处理，得到向量形式的故障特征样本。
S203，根据所述电池历史正常数据，获取正常特征样本。
对电池历史正常数据处理得到正常特征样本的处理方式，与根据电池历史故障数据获取故障特征样本的处理方式一致。
S204，以所述故障特征样本和所述正常特征样本对初始分类模型进行训练，得到故障分类模型。
例如以故障特征样本为正样本，输出标签为1，以正常特征样本为负样本，输出标签为0，对初始分类模型进行训练，得到故障分类模型。由此得到的故障分类模型，对待测电池的无故障的预测数据，输出0指示无故障，反之，输出1指示有故障。
在一些实施例中，所述初始分类模型包括与预设的多个故障类型一一对应的多个初始分类子模型。步骤S201(获取电池历史故障数据和电池历史正常数据)具体可以是包括：根据预设的多个故障类型，获取与各故障类型对应的电池历史故障数据和电池历史正常数据。例如对故障类型“电池亏电”获取对应的电池历史故障数据和电池历史正常数据，并对故障类型“电池发热异常”获取对应的电池历史故障数据和电池历史正常数据。不同故障类型发生的时间、条件可能不同，因此获取到的电池历史故障数据也可能存在差异。在本实施例中，相应地，步骤S204(以所述故障特征样本和所述正常特征样本对初始分类模型进行训练，得到故障分类模型)可以包括：首先根据各所述初始分类子模型对应的故障类型，确定各所述初始分类子模型对应的所述电池历史故障数据和所述电池历史正常数据；然后以各所述初始分类子模型对应的所述电池历史故障数据和所述电池历史正常数据，对所述多个初始分类子模型进行训练，得到多个故障分类子模型。例如对故障类型“电池发热异常”对应的初始分类子模型，以故障类型“电池发热异常”对应的电池历史故障数据和电池历史正常数据进行模型训练，由此得到能够对故障类型“电池发热异常”进行识别的故障分类子模型。其他故障类型以类似的方式分别进行模型训练，由此可以获取到多个故障分类子模型。最后将所述多个故障分类子模型的一个或多个，作为故障分类模型。
在上述实施例中，所述将所述多个故障分类子模型的一个或多个，作为故障分类模型的一种实现方式，可以是获取所述待测电池的故障监测需求。例如获取用户输入的故障检测需求，也可以是预设的故障监测需求。然后根据所述故障监测需求在所述多个故障类型中，确定目标故障类型。最后将所述目标故障类型对应的所述故障分类子模型，作为故障分类模型。例如，故障分类模型可以是多个故障分类子模型的组合。
S205，获取待测电池在预设的历史时间段内的待测数据。
S206，以预设的时序预测模型对所述待测数据进行预测处理，获取所述待测电池在预设的未来时间段内的预测数据。
S207，以预设的故障分类模型对所述预测数据进行处理，获取故障预测结果，其中，所述故障预测结果为对所述待测电池在所述未来时间段中发生预设的故障类型的预测结果。
上述步骤S205至S207的实现原理和技术效果参见图1所示实施例中步骤S101至S103，此处不再赘述。
本实施例通过以所述待测电池和/或与所述待测电池同类型的其他电池在故障状态下的历史数据作为电池历史故障数据，进而进行模型训练，获取到适用于待测电池的故障分类模型，提高了故障分类模型的分类准确性。
参见图4，是本发明实施例提供的一种电池故障预测装置结构示意图，如图4所示的电池故障预测装置40，包括：
数据获取模块41，用于获取待测电池在预设的历史时间段内的待测数据；
数据预测模块42，用于以预设的时序预测模型对所述待测数据进行预测处理，获取所述待测电池在预设的未来时间段内的预测数据；
故障分类模块43，用于以预设的故障分类模型对所述预测数据进行处理，获取故障预测结果，其中，所述故障预测结果为对所述待测电池在所述未来时间段中发生预设的故障类型的预测结果。
图4所示实施例的电池故障预测装置对应地可用于执行图2所示方法实施例中的步骤，其实现原理和技术效果具体参见图2所示实施例。
本实施例提供的一种电池故障预测装置，通过获取待测电池在预设的历史时间段内的待测数据；以预设的时序预测模型对所述待测数据进行预测处理，获取所述待测电池在预设的未来时间段内的预测数据，从而对待测电池将要产生的数据进行预测；以预设的故障分类模型对所述预测数据进行处理，获取故障预测结果，其中，所述故障预测结果为对所述待测电池在所述未来时间段中发生预设的故障类型的预测结果，从而实现对电池故障进行提前预测，以主动提早发现电池可能出现的故障，从而在故障发生之前通知运维人员，在电池故障可能引发的断电之前对电池采取修复或更换等补救措施，进而提高了电池监测的可靠性。
在一些实施例中，所述故障分类模型包括多个故障分类子模型，每个所述故障分类子模型的预测子结果与一种故障类型一一对应。
所述故障分类模块43，用于以预设的多个故障分类子模型分别处理所述预测数据，获取各所述故障分类子模型的预测子结果，其中，各所述预测子结果指示了所述待测电池在所述未来时间段中发生对应故障类型的可能性；
将所述多个故障分类子模型的预测子结果，作为故障预测结果。
在上述实施例的基础上，参见图5，是本发明实施例提供的另一种电池故障预测装置结构示意图，如图5所示的电池故障预测装置40，还包括：
模型训练模块44，用于在所述故障分类模块以预设的故障分类模型对所述预测数据进行处理，获取故障预测结果之前，获取电池历史故障数据和电池历史正常数据，其中，所述电池历史故障数据包括所述待测电池和/或与所述待测电池同类型的其他电池在故障状态下的历史数据，所述电池历史正常数据包括所述待测电池和/或所述其他电池在正常状态下的历史数据；根据所述电池历史故障数据，获取故障特征样本；根据所述电池历史正常数据，获取正常特征样本；以所述故障特征样本和所述正常特征样本对初始分类模型进行训练，得到故障分类模型。
在一些实施例中，所述初始分类模型包括与预设的多个故障类型一一对应的多个初始分类子模型；
所述模型训练模块44，用于根据预设的多个故障类型，获取与各故障类型对应的电池历史故障数据和电池历史正常数据；
相应地，所述模型训练模块44，用于根据各所述初始分类子模型对应的故障类型，确定各所述初始分类子模型对应的所述电池历史故障数据和所述电池历史正常数据；以各所述初始分类子模型对应的所述电池历史故障数据和所述电池历史正常数据，对所述多个初始分类子模型进行训练，得到多个故障分类子模型；将所述多个故障分类子模型的一个或多个，作为故障分类模型。
在一些实施例中，所述模型训练模块44，用于获取所述待测电池的故障监测需求；根据所述故障监测需求在所述多个故障类型中，确定目标故障类型；将所述目标故障类型对应的所述故障分类子模型，作为故障分类模型。
参见图6，是本发明实施例提供的一种设备的硬件结构示意图，该设备60包括：处理器61、存储器62和计算机程序；其中，
存储器62，用于存储所述计算机程序，该存储器还可以是闪存(flash)。所述计算机程序例如是实现上述方法的应用程序、功能模块等。
处理器61，用于执行所述存储器存储的计算机程序，以实现上述电池故障预测方法中的各个步骤。具体可以参见前面方法实施例中的相关描述。
可选地，存储器62既可以是独立的，也可以跟处理器61集成在一起。
当所述存储器62是独立于处理器61之外的器件时，所述设备还可以包括：
总线63，用于连接所述存储器62和处理器61。
本发明还提供一种可读存储介质，所述可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时用于实现上述的各种实施方式提供的电池故障预测方法。
其中，可读存储介质可以是计算机存储介质，也可以是通信介质。通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。计算机存储介质可以是通用或专用计算机能够存取的任何可用介质。例如，可读存储介质耦合至处理器，从而使处理器能够从该可读存储介质读取信息，且可向该可读存储介质写入信息。当然，可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(ApplicationSpecific Integrated Circuits，简称：ASIC)中。另外，该ASIC可以位于用户设备中。当然，处理器和可读存储介质也可以作为分立组件存在于通信设备中。可读存储介质可以是只读存储器(ROM)、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本发明还提供一种程序产品，该程序产品包括执行指令，该执行指令存储在可读存储介质中。设备的至少一个处理器可以从可读存储介质读取该执行指令，至少一个处理器执行该执行指令使得设备实施上述的各种实施方式提供的方法。
在上述设备的实施例中，应理解，处理器可以是中央处理单元(英文：CentralProcessing Unit，简称：CPU)，还可以是其他通用处理器、数字信号处理器(英文：DigitalSignal Processor，简称：DSP)、专用集成电路(英文：Application Specific IntegratedCircuit，简称：ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (10)

1.一种电池故障预测方法，其特征在于，包括：
获取待测电池在预设的历史时间段内的待测数据；
以预设的时序预测模型对所述待测数据进行预测处理，获取所述待测电池在预设的未来时间段内的预测数据；
以预设的故障分类模型对所述预测数据进行处理，获取故障预测结果，其中，所述故障预测结果为对所述待测电池在所述未来时间段中发生预设的故障类型的预测结果。
2.根据权利要求1所述的方法，其特征在于，所述故障分类模型包括多个故障分类子模型，每个所述故障分类子模型的预测子结果与一种故障类型一一对应；
所述以预设的故障分类模型对所述预测数据进行处理，获取故障预测结果，包括：
以预设的多个故障分类子模型分别处理所述预测数据，获取各所述故障分类子模型的预测子结果，其中，各所述预测子结果指示了所述待测电池在所述未来时间段中发生对应故障类型的可能性；
将所述多个故障分类子模型的预测子结果，作为故障预测结果。
3.根据权利要求1所述的方法，其特征在于，在所述以预设的故障分类模型对所述预测数据进行处理，获取故障预测结果之前，还包括：
获取电池历史故障数据和电池历史正常数据，其中，所述电池历史故障数据包括所述待测电池和/或与所述待测电池同类型的其他电池在故障状态下的历史数据，所述电池历史正常数据包括所述待测电池和/或所述其他电池在正常状态下的历史数据；
根据所述电池历史故障数据，获取故障特征样本；
根据所述电池历史正常数据，获取正常特征样本；
以所述故障特征样本和所述正常特征样本对初始分类模型进行训练，得到故障分类模型。
4.根据权利要求3所述的方法，其特征在于，所述初始分类模型包括与预设的多个故障类型一一对应的多个初始分类子模型；
所述获取电池历史故障数据和电池历史正常数据，包括：
根据预设的多个故障类型，获取与各故障类型对应的电池历史故障数据和电池历史正常数据；
相应地，所述以所述故障特征样本和所述正常特征样本对初始分类模型进行训练，得到故障分类模型，包括：
根据各所述初始分类子模型对应的故障类型，确定各所述初始分类子模型对应的所述电池历史故障数据和所述电池历史正常数据；
以各所述初始分类子模型对应的所述电池历史故障数据和所述电池历史正常数据，对所述多个初始分类子模型进行训练，得到多个故障分类子模型；
将所述多个故障分类子模型的一个或多个，作为故障分类模型。
5.根据权利要求4所述的方法，其特征在于，所述将所述多个故障分类子模型的一个或多个，作为故障分类模型，包括：
获取所述待测电池的故障监测需求；
根据所述故障监测需求在所述多个故障类型中，确定目标故障类型；
将所述目标故障类型对应的所述故障分类子模型，作为故障分类模型。
6.根据权利要求1至5任一所述的方法，其特征在于，所述时序预测模型包括ARIMA模型、PROPHET模型、ETS模型以及回归拟合模型中的一种或多种。
7.根据权利要求1至5任一所述的方法，其特征在于，所述待测数据包括所述待测电池的以下参数的一个或多个：
电池输入电压值、电池输出电压值、电池输入电流值、电池输出电流值、电池内阻值、电池发热量、电池已放电时间。
8.一种电池故障预测装置，其特征在于，包括：
数据获取模块，用于获取待测电池在预设的历史时间段内的待测数据；
数据预测模块，用于以预设的时序预测模型对所述待测数据进行预测处理，获取所述待测电池在预设的未来时间段内的预测数据；
故障分类模块，用于以预设的故障分类模型对所述预测数据进行处理，获取故障预测结果，其中，所述故障预测结果为对所述待测电池在所述未来时间段中发生预设的故障类型的预测结果。
9.一种设备，其特征在于，包括：存储器、处理器以及计算机程序，所述计算机程序存储在所述存储器中，所述处理器运行所述计算机程序执行权利要求1至7任一所述的电池故障预测方法。
10.一种可读存储介质，其特征在于，所述可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时用于实现权利要求1至7任一所述的电池故障预测方法。
CN201910180801.3A 2019-03-11 2019-03-11 电池故障预测方法、装置、设备和可读存储介质 Active CN110069810B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910180801.3A CN110069810B (zh) 2019-03-11 2019-03-11 电池故障预测方法、装置、设备和可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910180801.3A CN110069810B (zh) 2019-03-11 2019-03-11 电池故障预测方法、装置、设备和可读存储介质

Publications (2)

Publication Number Publication Date
CN110069810A true CN110069810A (zh) 2019-07-30
CN110069810B CN110069810B (zh) 2023-04-07

Family

ID=67365207

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910180801.3A Active CN110069810B (zh) 2019-03-11 2019-03-11 电池故障预测方法、装置、设备和可读存储介质

Country Status (1)

Country Link
CN (1) CN110069810B (zh)

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110712560A (zh) * 2019-09-27 2020-01-21 东软睿驰汽车技术（沈阳）有限公司 异常处理方法、装置、设备及介质
CN110851342A (zh) * 2019-11-08 2020-02-28 中国工商银行股份有限公司 故障预测方法、装置、计算设备以及计算机可读存储介质
CN110927606A (zh) * 2019-11-05 2020-03-27 腾讯科技（深圳）有限公司 电池状态监测方法、装置
CN110929768A (zh) * 2019-11-14 2020-03-27 国电大渡河检修安装有限公司 一种机器故障的预测方法
CN110987166A (zh) * 2019-12-17 2020-04-10 北京昊鹏智能技术有限公司 旋转机械健康状态的预测方法、装置、设备及存储介质
CN111812518A (zh) * 2019-12-25 2020-10-23 北京嘀嘀无限科技发展有限公司 电池状态监控方法、存储介质和系统
CN112067997A (zh) * 2020-08-14 2020-12-11 杭州小电科技股份有限公司 移动电源租赁设备诊断方法、系统、电子设备和存储介质
CN112256732A (zh) * 2020-09-25 2021-01-22 北京五八信息技术有限公司 一种异常检测方法、装置、电子设备及存储介质
CN112579513A (zh) * 2020-12-08 2021-03-30 海光信息技术股份有限公司 芯片自适应控制电路、方法和系统级芯片
CN112697306A (zh) * 2020-12-09 2021-04-23 东软睿驰汽车技术（沈阳）有限公司 一种电池包内部温度异常的检测方法、装置及相关产品
CN112816898A (zh) * 2021-01-26 2021-05-18 三一重工股份有限公司 电瓶故障预测方法、装置、电子设备和存储介质
CN112993421A (zh) * 2021-03-12 2021-06-18 深圳市雷铭科技发展有限公司 基于bim模型的bms管理方法、系统及电子设备
CN113189503A (zh) * 2021-01-28 2021-07-30 南斗六星系统集成有限公司 一种电动汽车电池多级故障预警方法及系统
CN113361823A (zh) * 2021-07-16 2021-09-07 同济大学 一种基于预测数据的燃料电池故障预测方法及系统
CN113415165A (zh) * 2021-06-30 2021-09-21 中国第一汽车股份有限公司 一种故障诊断方法、装置、电子设备及存储介质
CN114095337A (zh) * 2020-08-10 2022-02-25 中国移动通信集团浙江有限公司 Kpi异常检测方法、装置、计算设备及计算机存储介质
CN115219912A (zh) * 2022-04-24 2022-10-21 山东大学 一种储能电池早期故障诊断与安全超前预警方法及系统
CN115356639A (zh) * 2022-09-29 2022-11-18 深圳先进技术研究院 一种双向锂离子电池智能健康监控方法及系统
CN115805810A (zh) * 2022-10-31 2023-03-17 宁德时代新能源科技股份有限公司 电池故障预测方法、装置、设备、存储介质和程序产品
CN116125298A (zh) * 2022-11-28 2023-05-16 伏瓦科技(苏州)有限公司 电池故障检测方法及装置
CN117368799A (zh) * 2023-12-07 2024-01-09 山西思极科技有限公司 一种电力系统输电线路短路故障的诊断方法

Citations (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102208028A (zh) * 2011-05-31 2011-10-05 北京航空航天大学 一种适用于动态复杂系统的故障预测和诊断方法
US20120316845A1 (en) * 2011-06-09 2012-12-13 Pulsar Informatics, Inc. Systems and Methods for Distributed Calculation of Fatigue-Risk Prediction and Optimization
CN103413033A (zh) * 2013-07-29 2013-11-27 北京工业大学 一种预测蓄电池故障的方法
CN103714401A (zh) * 2014-01-21 2014-04-09 国家电网公司 一种电网配变故障次数预测的方法
US20140229235A1 (en) * 2006-10-06 2014-08-14 Accenture Global Services Limited Technology event detection, analysis, and reporting system
US20150056960A1 (en) * 2012-09-06 2015-02-26 Dell Products, Lp Collaborative Method and System to Improve Carrier Network Policies with Context Aware Radio Communication Management
US20150055608A1 (en) * 2012-09-06 2015-02-26 Dell Products, Lp Method and Apparatus for Unified Communication System Involving Context Aware Radio Communication Management for Multiple User Devices
US20150067618A1 (en) * 2004-05-07 2015-03-05 Mentor Graphics Corporation Integrated circuit layout design methodology with process variation bands
JP2015122851A (ja) * 2013-12-20 2015-07-02 富士通株式会社 制御方法、制御サーバ及び制御プログラム
CN106096037A (zh) * 2016-06-27 2016-11-09 北京百度网讯科技有限公司 基于人工智能的搜索结果聚合方法、装置以及搜索引擎
CN107247198A (zh) * 2017-05-09 2017-10-13 安徽继远软件有限公司 一种配电设备故障预测方法及装置
US20170344431A1 (en) * 2016-05-27 2017-11-30 Netapp, Inc. Methods for proactive prediction of disk failure in a raid group and devices thereof
JP2017224185A (ja) * 2016-06-16 2017-12-21 日本電信電話株式会社 バグ混入確率計算プログラム及びバグ混入確率計算方法
CN108279383A (zh) * 2017-11-30 2018-07-13 深圳市科列技术股份有限公司 电池寿命预测方法、电池数据服务器及电池数据处理系统
CN108287317A (zh) * 2018-01-24 2018-07-17 上海电气分布式能源科技有限公司 电池功率预测模型生成方法及系统、功率预测方法及系统
CN108845760A (zh) * 2018-05-28 2018-11-20 郑州云海信息技术有限公司 一种硬盘维护方法、装置、设备及可读存储介质
CN108960321A (zh) * 2018-07-02 2018-12-07 国电南瑞科技股份有限公司 一种大型锂电池储能电站电池故障预测方法
CN109002781A (zh) * 2018-07-02 2018-12-14 国电南瑞科技股份有限公司 一种储能变流器故障预测方法
CN109144025A (zh) * 2017-06-27 2019-01-04 发那科株式会社 故障预测装置以及机器学习装置
CN109190087A (zh) * 2018-08-07 2019-01-11 东莞理工学院 一种电池剩余寿命预测方法、装置、电子设备及存储介质

Patent Citations (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150067618A1 (en) * 2004-05-07 2015-03-05 Mentor Graphics Corporation Integrated circuit layout design methodology with process variation bands
US20140229235A1 (en) * 2006-10-06 2014-08-14 Accenture Global Services Limited Technology event detection, analysis, and reporting system
CN102208028A (zh) * 2011-05-31 2011-10-05 北京航空航天大学 一种适用于动态复杂系统的故障预测和诊断方法
US20120316845A1 (en) * 2011-06-09 2012-12-13 Pulsar Informatics, Inc. Systems and Methods for Distributed Calculation of Fatigue-Risk Prediction and Optimization
US20150056960A1 (en) * 2012-09-06 2015-02-26 Dell Products, Lp Collaborative Method and System to Improve Carrier Network Policies with Context Aware Radio Communication Management
US20150055608A1 (en) * 2012-09-06 2015-02-26 Dell Products, Lp Method and Apparatus for Unified Communication System Involving Context Aware Radio Communication Management for Multiple User Devices
CN103413033A (zh) * 2013-07-29 2013-11-27 北京工业大学 一种预测蓄电池故障的方法
JP2015122851A (ja) * 2013-12-20 2015-07-02 富士通株式会社 制御方法、制御サーバ及び制御プログラム
CN103714401A (zh) * 2014-01-21 2014-04-09 国家电网公司 一种电网配变故障次数预测的方法
US20170344431A1 (en) * 2016-05-27 2017-11-30 Netapp, Inc. Methods for proactive prediction of disk failure in a raid group and devices thereof
JP2017224185A (ja) * 2016-06-16 2017-12-21 日本電信電話株式会社 バグ混入確率計算プログラム及びバグ混入確率計算方法
CN106096037A (zh) * 2016-06-27 2016-11-09 北京百度网讯科技有限公司 基于人工智能的搜索结果聚合方法、装置以及搜索引擎
CN107247198A (zh) * 2017-05-09 2017-10-13 安徽继远软件有限公司 一种配电设备故障预测方法及装置
CN109144025A (zh) * 2017-06-27 2019-01-04 发那科株式会社 故障预测装置以及机器学习装置
CN108279383A (zh) * 2017-11-30 2018-07-13 深圳市科列技术股份有限公司 电池寿命预测方法、电池数据服务器及电池数据处理系统
CN108287317A (zh) * 2018-01-24 2018-07-17 上海电气分布式能源科技有限公司 电池功率预测模型生成方法及系统、功率预测方法及系统
CN108845760A (zh) * 2018-05-28 2018-11-20 郑州云海信息技术有限公司 一种硬盘维护方法、装置、设备及可读存储介质
CN108960321A (zh) * 2018-07-02 2018-12-07 国电南瑞科技股份有限公司 一种大型锂电池储能电站电池故障预测方法
CN109002781A (zh) * 2018-07-02 2018-12-14 国电南瑞科技股份有限公司 一种储能变流器故障预测方法
CN109190087A (zh) * 2018-08-07 2019-01-11 东莞理工学院 一种电池剩余寿命预测方法、装置、电子设备及存储介质

Cited By (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110712560B (zh) * 2019-09-27 2022-02-11 东软睿驰汽车技术（沈阳）有限公司 异常处理方法、装置、设备及介质
CN110712560A (zh) * 2019-09-27 2020-01-21 东软睿驰汽车技术（沈阳）有限公司 异常处理方法、装置、设备及介质
CN110927606A (zh) * 2019-11-05 2020-03-27 腾讯科技（深圳）有限公司 电池状态监测方法、装置
CN110927606B (zh) * 2019-11-05 2022-01-25 腾讯科技（深圳）有限公司 电池状态监测方法、装置
CN110851342A (zh) * 2019-11-08 2020-02-28 中国工商银行股份有限公司 故障预测方法、装置、计算设备以及计算机可读存储介质
CN110929768A (zh) * 2019-11-14 2020-03-27 国电大渡河检修安装有限公司 一种机器故障的预测方法
CN110987166A (zh) * 2019-12-17 2020-04-10 北京昊鹏智能技术有限公司 旋转机械健康状态的预测方法、装置、设备及存储介质
CN111812518B (zh) * 2019-12-25 2023-04-28 北京嘀嘀无限科技发展有限公司 电池状态监控方法、存储介质和系统
CN111812518A (zh) * 2019-12-25 2020-10-23 北京嘀嘀无限科技发展有限公司 电池状态监控方法、存储介质和系统
CN114095337A (zh) * 2020-08-10 2022-02-25 中国移动通信集团浙江有限公司 Kpi异常检测方法、装置、计算设备及计算机存储介质
CN112067997A (zh) * 2020-08-14 2020-12-11 杭州小电科技股份有限公司 移动电源租赁设备诊断方法、系统、电子设备和存储介质
CN112067997B (zh) * 2020-08-14 2023-11-14 杭州小电科技股份有限公司 移动电源租赁设备诊断方法、系统、电子设备和存储介质
CN112256732B (zh) * 2020-09-25 2023-10-24 北京五八信息技术有限公司 一种异常检测方法、装置、电子设备及存储介质
CN112256732A (zh) * 2020-09-25 2021-01-22 北京五八信息技术有限公司 一种异常检测方法、装置、电子设备及存储介质
CN112579513A (zh) * 2020-12-08 2021-03-30 海光信息技术股份有限公司 芯片自适应控制电路、方法和系统级芯片
CN112579513B (zh) * 2020-12-08 2023-04-25 成都海光微电子技术有限公司 芯片自适应控制电路、方法和系统级芯片
CN112697306A (zh) * 2020-12-09 2021-04-23 东软睿驰汽车技术（沈阳）有限公司 一种电池包内部温度异常的检测方法、装置及相关产品
CN112816898A (zh) * 2021-01-26 2021-05-18 三一重工股份有限公司 电瓶故障预测方法、装置、电子设备和存储介质
CN112816898B (zh) * 2021-01-26 2022-03-01 三一重工股份有限公司 电瓶故障预测方法、装置、电子设备和存储介质
CN113189503A (zh) * 2021-01-28 2021-07-30 南斗六星系统集成有限公司 一种电动汽车电池多级故障预警方法及系统
CN112993421B (zh) * 2021-03-12 2022-04-19 深圳市雷铭科技发展有限公司 基于bim模型的bms管理方法、系统及电子设备
CN112993421A (zh) * 2021-03-12 2021-06-18 深圳市雷铭科技发展有限公司 基于bim模型的bms管理方法、系统及电子设备
CN113415165A (zh) * 2021-06-30 2021-09-21 中国第一汽车股份有限公司 一种故障诊断方法、装置、电子设备及存储介质
CN113415165B (zh) * 2021-06-30 2022-01-18 中国第一汽车股份有限公司 一种故障诊断方法、装置、电子设备及存储介质
CN113361823A (zh) * 2021-07-16 2021-09-07 同济大学 一种基于预测数据的燃料电池故障预测方法及系统
CN115219912A (zh) * 2022-04-24 2022-10-21 山东大学 一种储能电池早期故障诊断与安全超前预警方法及系统
CN115356639A (zh) * 2022-09-29 2022-11-18 深圳先进技术研究院 一种双向锂离子电池智能健康监控方法及系统
WO2024066052A1 (zh) * 2022-09-29 2024-04-04 深圳先进技术研究院 一种双向锂离子电池智能健康监控方法及系统
CN115805810A (zh) * 2022-10-31 2023-03-17 宁德时代新能源科技股份有限公司 电池故障预测方法、装置、设备、存储介质和程序产品
CN116125298A (zh) * 2022-11-28 2023-05-16 伏瓦科技(苏州)有限公司 电池故障检测方法及装置
CN117368799A (zh) * 2023-12-07 2024-01-09 山西思极科技有限公司 一种电力系统输电线路短路故障的诊断方法
CN117368799B (zh) * 2023-12-07 2024-02-23 山西思极科技有限公司 一种电力系统输电线路短路故障的诊断方法

Also Published As

Publication number Publication date
CN110069810B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN110069810A (zh) 电池故障预测方法、装置、设备和可读存储介质
US11443610B2 (en) Systems and methods for managing smart alarms
CN106885991A (zh) 蓄电服务系统
CN105938183B (zh) 一种预测ups电池寿命的智能监测系统
CN102129397A (zh) 一种自适应磁盘阵列故障预测方法及系统
CN110888788A (zh) 异常检测方法、装置、计算机设备及存储介质
EP2581754A2 (en) Battery adaptive learning management system
CN112098915A (zh) 双母线分段接线下多台电压互感器继发性误差的评估方法
CN110222871A (zh) 用于电力负荷预测的相似日的选择方法及装置
CN110502431A (zh) 系统服务评测方法、装置及电子设备
CN115951230A (zh) 一种锂电池储能箱的异常检测方法及系统
CN117318209A (zh) 一种基于数据分析的电池组多模式运行控制系统
JP2016021241A (ja) 製品の予想故障数の計算に基づく保証費推定
CN114202238A (zh) 供电设备健康度评估方法、运维方法、装置及服务器
CN114460529A (zh) 一种电能表误差在线评估方法、装置、设备及存储介质
CN116482557A (zh) 一种基于电池内阻的电池管理方法、装置、电子设备及介质
CN109525036B (zh) 一种通信设备的市电供应状态的监控方法、装置和系统
CA3140345A1 (en) Systems and methods for managing smart alarms
WO2023286650A1 (ja) 電池劣化推定装置の検証方法、装置、デバイス、媒体及び電池劣化推定計算モデル
CN110824401A (zh) Bbu电量计的可信度监测方法、系统、设备及存储介质
CN115908082A (zh) 基于用电特征指标的企业排污监控方法及装置
CN109376959A (zh) 一种配电终端检修时间预估方法及装置
CN114942359A (zh) 一种终端的功能评价方法及装置
CN109100654A (zh) 一种电池损耗提醒方法及移动终端
CN111624430B (zh) 电容寿命在线监测方法、装置及终端设备

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