CN112098850A - 基于sdo算法的锂离子电池电压故障诊断方法及系统 - Google Patents
基于sdo算法的锂离子电池电压故障诊断方法及系统 Download PDFInfo
- Publication number
- CN112098850A CN112098850A CN202010994154.2A CN202010994154A CN112098850A CN 112098850 A CN112098850 A CN 112098850A CN 202010994154 A CN202010994154 A CN 202010994154A CN 112098850 A CN112098850 A CN 112098850A
- Authority
- CN
- China
- Prior art keywords
- voltage
- target battery
- battery
- observer
- degree
- 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
- 238000000034 method Methods 0.000 title claims abstract description 94
- 238000003745 diagnosis Methods 0.000 title claims abstract description 59
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 46
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 title claims abstract description 32
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 32
- 230000002159 abnormal effect Effects 0.000 claims abstract description 67
- 238000012937 correction Methods 0.000 claims abstract description 22
- 238000004364 calculation method Methods 0.000 claims abstract description 17
- 230000005856 abnormality Effects 0.000 claims description 24
- 239000011159 matrix material Substances 0.000 claims description 19
- 230000015654 memory Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 3
- 230000007257 malfunction Effects 0.000 claims 1
- 238000001514 detection method Methods 0.000 description 10
- 238000005259 measurement Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000004088 simulation Methods 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 4
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 229910052744 lithium Inorganic materials 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 208000032953 Device battery issue Diseases 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010000369 Accident Diseases 0.000 description 1
- 229910010710 LiFePO Inorganic materials 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003487 electrochemical reaction Methods 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
Images
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]
- G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
-
- 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
- G01R31/387—Determining ampere-hour charge capacity or SoC
- G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage measurements
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了基于SDO算法的锂离子电池电压故障诊断方法及系统，包括：对获取的目标电池电压时间序列中的每个电压数据，利用由观察者形成的低密度模型进行评估，计算电压时间序列的电位异常程度；所述由观察者形成的低密度模型是通过SDO算法计算获得的；根据修正系数和电压时间序列中的电位异常程度，计算目标电池电压时间序列的异常程度；根据目标电池电压时间序列的异常程度，对目标电池的故障进行诊断。
Description
技术领域
本申请涉及电池故障诊断技术领域，特别是涉及基于SDO(Sparse DataObservers稀疏数据观测器)算法的锂离子电池电压故障诊断方法及系统。
背景技术
本部分的陈述仅仅是提到了与本申请相关的背景技术，并不必然构成现有技术。
环境污染和能源危机一直都是全球共同面临的两大问题，因此近年来电动汽车产业在世界各国得到广泛关注。锂离子电池因具有能量密度高、使用寿命长、功率密度大、自放电率低、单体电压高以及绿色环保等优点，广泛应用于电动汽车等领域。作为电动汽车的动力源，其安全性是非常重要的。锂离子电池组通常由成千上万个不一致的电池单体组成，生产和制造过程中的一点点欠缺以及使用过程中的不当操作，都会造成电池出现细微的故障，存在一定的安全隐患，这些故障在电池之后的使用过程中不断累积和发展，电池的安全性能明显下降，故障进一步恶化，若故障没有及时被诊断并排除，可能导致车辆无法正常运行，甚至电池出现热失控，引起火灾或爆炸，后果不堪设想。例如，一台特斯拉Model S车辆在上海一地下停车场发生起火事故，原因是车辆前部的单个电池模组故障。该事故揭示了锂离子电池存在的安全隐患，因此，如何准确预测电池早期故障，实时诊断电池故障，对保障和提高锂离子电池组的性能都具有重要的理论和应用价值。
现有的锂离子电池故障诊断方法可以分为两大类：一是基于电池模型的故障诊断方法，二是无电池模型的故障诊断方法。
基于电池模型的方法通常包括三个关键步骤：第一步是建立精确、可靠且能够反映电池动态特性的模型；第二步将实际测量的值与模型输出的估计值进行比较，生成残差信号；第三步将残差信号与阈值进行比较，若残差信号超过设定的阈值时，则认为电池出现故障，发出故障预警，反之电池正常。目前，常用的电池模型有等效电路模型和电化学模型。电化学模型主要表征电池内部特性，其计算复杂度高；等效电路模型能够很好的反映电池外部响应特性，计算复杂度较低，基于电池模型的故障诊断方法大多采用此模型。Xiong等提出了一种基于模型的电池组电压/电流传感器故障诊断方法，通过递推最小二乘法和无迹卡尔曼滤波联合估计SOC，将每个电池单体的SOC残差与预先设置的阈值比较，区分电压/电流传感器故障。Sidhu等提出了一种基于非线性自适应模型的锂离子电池故障诊断方法，通过构建多个表征过充、过放等故障的非线性电池特征故障模型，利用扩展卡尔曼滤波器估计各模型的端电压并生成残差信号，依据残差进行故障诊断。Gao等提出了一种基于均值-差异模型对串联锂离子电池组进行微短路诊断的方法，通过构建电池差异模型，利用扩展卡尔曼滤波估计电池组内的SOC差，采用递推最小二乘法进行参数辨识，得到短路电阻。Dey等提出了一种基于模型的故障诊断方案，通过构建三个由电池电和热动力学滑模观测器设计的模型，利用滑模观测器的等效输出误差来检测、隔离和估计锂离子电池温度、电压和电流传感器故障。Liu等提出了一种基于模型的锂离子电池组传感器故障检测和隔离的方法，采用自适应扩展卡尔曼滤波估计每个电池单体的电池状态，将估计的输出电压与测量电压进行比较生成残差，根据统计推断的方法对残差进行评估，实现对电流和电压传感器故障的诊断。但是基于模型的方法需要建立精确可靠的等效电路模型，其复杂度高，计算成本也高。
无电池模型的故障诊断方法不需要建立能够反映电池动态特性的模型，而是通过统计理论分析和数据驱动，易在线实现且效率高。该类方法又可分为基于统计分析的故障诊断方法、基于专家系统的故障诊断方法、基于数据驱动的故障诊断方法。其中基于统计分析的故障诊断方法是根据实时采集到的电池数据，如电压、电流和温度数据，通过设置合适的阈值，利用信息熵等统计方法进行故障诊断，该类方法计算复杂度低，但往往只能检测故障，无法识别故障类型。基于专家系统的故障诊断方法大多采用模糊逻辑法，适用于锂离子电池组的多故障诊断，但专家领域知识/规则可能会相互冲突，自适应性弱、鲁棒性低。基于数据驱动的故障诊断方法主要有相关系数法、神经网络法、熵方法、异常值检测法等。此类方法将电池的可测数据作为输入，电池故障作为输出，实时监测电池状态，实现电池故障的在线诊断。Wu等提出了一种基于模糊逻辑的故障诊断方法，通过一系列过充、过放、低温等滥用操作实验提取故障特征，利用模糊逻辑分析故障特征向量，实现对锂离子电池过充、过放、低温等故障的诊断。Xia等提出了一种基于电压曲线相关系数的短路故障诊断方法，采用递推移动窗口来保持运行过程中故障检测的灵敏度。Hong等提出了一种基于深度学习的电池系统电压故障预测方法，利用长短期记忆(LSTM)神经网络准确预测电池系统的电压异常。Shang等提出了一种基于修正样本熵的多故障诊断方法，通过在移动窗口中检测电池电压序列的修正样本熵，诊断和预测不同的早期电池故障。Wang等提出了一种基于香农熵和Z分数的故障诊断方法，对电压故障进行实时预测。近几年基于数据驱动的故障诊断方法因其不需要建立能够反映电池动态特性的模型，计算成本低，能实时监测电池状态，实现电池故障的在线诊断，已经成为电池故障诊断研究的热点。其中，基于异常值检测算法的故障诊断方法备受关注，它将电池故障诊断转化为电池异常状态的识别，在早期就发现问题，避免故障的进一步恶化，非常适合应用在电动汽车上。基于异常值检测算法的锂离子电池电压故障诊断方法本质上就是检测电压序列的电位异常，发现异常值，并对其进行评分。当一个电池出现故障，其某一时刻的电压会出现和正常时刻电压序列波动不一样的值，可以认为是一个异常值，通过异常值检测算法快速筛选出问题电池，准确检测并定位故障电池、故障发生的时间以及故障类型。
发明内容
为了解决现有技术的不足，本申请提供了基于SDO算法的锂离子电池电压故障诊断方法及系统；
第一方面，本申请提供了基于SDO算法的锂离子电池电压故障诊断方法；
基于SDO算法的锂离子电池电压故障诊断方法，包括：
对获取的目标电池电压时间序列中的每个电压数据，利用由观察者形成的低密度模型进行评估，计算电压时间序列的电位异常程度；所述由观察者形成的低密度模型是通过SDO算法计算获得的；
根据修正系数和电压时间序列中的电位异常程度，计算目标电池电压时间序列的异常程度；
根据目标电池电压时间序列的异常程度，对目标电池的故障进行诊断。
第二方面，本申请提供了基于SDO算法的锂离子电池电压故障诊断系统；
基于SDO算法的锂离子电池电压故障诊断系统，包括：
评估模块，其被配置为：对获取的目标电池电压时间序列中的每个电压数据，利用由观察者形成的低密度模型进行评估，计算电压时间序列的电位异常程度；所述由观察者形成的低密度模型是通过SDO算法计算获得的；
异常程度计算模块，其被配置为：根据修正系数和电压时间序列中的电位异常程度，计算目标电池电压时间序列的异常程度；
诊断模块，其被配置为：根据目标电池电压时间序列的异常程度，对目标电池的故障进行诊断。
第三方面，本申请还提供了一种电子设备，包括：一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，以使电子设备执行上述第一方面所述的方法。
第四方面，本申请还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一方面所述的方法。
第五方面，本申请还提供了一种计算机程序(产品)，包括计算机程序，所述计算机程序当在一个或多个处理器上运行的时候用于实现前述第一方面任意一项的方法。
与现有技术相比，本申请的有益效果是：
本申请提出一种基于SDO(Sparse Data Observers稀疏数据观测器)算法的锂离子电池电压故障诊断方法，该方法可以在电池未出现明显异常的情况下对电池电压故障进行诊断和预测，包括短路故障和断路故障。仿真和实验结果表明，该方法能准确检测出故障，且不需要建立等效电路模型，计算成本低，不受测量噪声的影响，鲁棒性高。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
图1为第一个实施例的方法流程图；
图2为第一个实施例的UDDS工况下三节电池(Cell1、Cell2、Cell3)串联的电压序列；
图3为第一个实施例的正常状态下三节电池电压序列的异常程度；
图4为第一个实施例的UDDS工况下三节电池串联存在短/断路故障的电压序列；
图5为第一个实施例的基于SDO算法的故障诊断结果；
图6为第一个实施例的UDDS工况下三节电池串联存在高斯白噪声的电压序列；
图7为第一个实施例的存在测量噪声时基于SDO算法的故障诊断结果。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本申请使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，术语“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。
在本申请本实施例中，“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，A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。另外，在本申请的描述中，“多个”是指两个或多于两个。
另外，为了便于清楚描述本申请实施例的技术方案，在本申请实施例中，采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分。本领域技术人员可以理解“第一”、“第二”字样并不对数量和执行次序进行限定，并且“第一”、“第二”等字样也并不限定一定不同。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
锂离子电池作为电动汽车的动力源，是一种典型的涉及复杂电化学反应和传递机理的能量存储装置，其本身存在较高的安全隐患，准确地检测电池电压故障对提高电池组的安全性至关重要。
实施例一
本实施例提供了基于SDO算法的锂离子电池电压故障诊断方法；
如图1所示，基于SDO算法的锂离子电池电压故障诊断方法，包括：
S101：对获取的目标电池电压时间序列中的每个电压数据，利用由观察者形成的低密度模型进行评估，计算电压时间序列的电位异常程度；所述由观察者形成的低密度模型是通过SDO算法计算获得的；
S102：根据修正系数和电压时间序列中的电位异常程度，计算目标电池电压时间序列的异常程度；
S103：根据目标电池电压时间序列的异常程度，对目标电池的故障进行诊断。
作为一个或多个实施例，所述S101：对获取的目标电池电压时间序列中的每个电压数据，利用由观察者形成的低密度模型进行评估，计算电压时间序列中的电位异常程度；该步骤之前还包括：
测量目标电池的电压；
判断目标电池电压是否大于等于最大阈值；如果是，则判定为目标电池出现过电压故障；
判断目标电池电压是否小于等于最小阈值；如果是，则判定目标电池出现欠电压故障。
作为一个或多个实施例，所述S101中，由观察者形成的低密度模型是通过SDO算法计算获得的；低密度模型的具体获得步骤包括：
S1011：初始化观察者：获取正常电池的电压时间序列，从正常电池的电压时间序列中随机抽取若干个电压数据，作为观察者；观察者的数量是根据统计采样计算得到的；
S1012：观察电池电压序列样本：通过测量每一个观察者与每一个电压数据之间的距离，创建距离矩阵；将距离矩阵简化为观测矩阵；所述观测矩阵中存储正常电池的电压时间序列中每个电压数据最近的若干个观察者的标识符；
S1013：删除空闲观察者：通过计算观测矩阵中每个观察者出现的次数，将观测次数少于设定阈值的观察者进行删除，得到更新矩阵；所述更新矩阵即为低密度模型。
示例性的，所述S101中，由观察者形成的低密度模型是通过SDO算法计算获得的；低密度模型的具体获得步骤包括：
(1)初始化观察者。给定电池电压序列V作为m个电压数据的集合，V＝{vi|vi∈R，i＝1，2，...，m}，其中m为样本个数。O是随机抽取自V的k个对象的集合(k＜＜m)，即O＝{oj|oj∈V，j＝1，2，...，k}，O中的对象为观察者，这些观察者是根据统计采样计算估算出的观察者数量。
式中，∈＝0.1σ(∈为误差，σ为标准偏差)，置信区间CI＝95％(Z＝1.96)。
(2)观察电池电压序列样本。通过测量每一个观察者与每一个电压数据之间的距离来创建距离矩阵D，D＝{Di，j，i∈(1，2，...，m)，j∈(1，2，...，k)}。将距离矩阵D简化为观测矩阵I，该矩阵存储电池电压序列V中每个电压数据最近的x个观察者的标识符，即
其中x是一个鲁棒性强的参数，通常取值为3～10。
Di，j＝d(vi，oj) (2)
其中d(，)为欧式距离。
(3)删除空闲观察者。通过计算观测矩阵I中每个观察者出现的次数创建矩阵P，P＝{Pj，j∈(1，2，...，k)}。当观察者观察不到q次时被删除，q＝Qρ(P)，其中ρ＝0.3，Qρ(.)为分位数函数。此删除可防止选择异常值作为观察者，仅由代表性的数据点构建低密度模型，删除空闲观察者后，其余观察者称为活跃观察者kact。
作为一个或多个实施例，所述S101：对获取的目标电池电压时间序列中的每个电压数据，利用由观察者形成的低密度模型进行评估，计算电压时间序列的电位异常程度；具体步骤包括：
对获取的目标电池电压时间序列中的每个电压数据，利用由观察者形成的低密度模型进行评估；将距离每个电压数据最近的若干个观察者的标识符存储在观察数组中；
计算每个电压数据与距离每个电压数据最近的所有观察者的平均距离，得到电压时间序列的电位异常程度。
示例性的，所述S101：对获取的目标电池电压时间序列中的每个电压数据，利用由观察者形成的低密度模型进行评估，计算电压时间序列的电位异常程度；具体步骤包括：
(1)观察一个新对象。电池电压序列中的每一个电压数据由观察者形成的低密度模型进行评估，因此，给定对象vi，计算一个长度为kact的新距离数组Di＝d(vi，O)，将最近的x个观察者的标识符存储在观察数组中。
(2)计算电压序列的电位异常。异常值的异常程度被估计为对象vi与它最近的x个观察者的平均距离。因此，异常程度yi为：
作为一个或多个实施例，所述S102：根据修正系数和电压时间序列中的电位异常程度，计算目标电池电压时间序列的异常程度；具体步骤包括：
对修正系数和电压时间序列中的电位异常程度进行相乘运算，得到目标电池电压时间序列的异常程度。
进一步地，所述修正系数具体为：
当某一时刻的目标电池电压大于目标电池的平均电压时，则修正系数为1；
当某一时刻的目标电池电压等于目标电池的平均电压时，则修正系数为0；
当某一时刻的目标电池电压小于目标电池的平均电压时，则修正系数为-1。
进一步地，所述电压时间序列中的电位异常程度，表示目标电池的某个电压数据与其最近的若干个观察者的平均距离。
示例性的，由式(3)可以发现，不管电池出现哪种类型的故障，电池电压序列的电位异常程度总是非负的，无法区分故障类型，因此我们引入一个可以反映电压序列波动信息的修正系数α，可以有效的判断电池电压的突变，并识别故障的类型。式(3)可以改进为：
Outliernessi＝α*yi (4)
其中，
式中V(t)是t时刻的电池电压，Vavg为电池的平均电压。
作为一个或多个实施例，所述S103：根据目标电池电压时间序列的异常程度，对目标电池的故障进行诊断；具体步骤包括：
判断目标电池电压时间序列的异常程度是否大于零；如果是，则表示目标电池出现断路故障；
判断目标电池电压时间序列的异常程度是否小于零；如果是，则表示目标电池出现短路故障；
继续测量目标电池的电压。
SDO算法是异常值检测算法的一种，本申请首次应用SDO算法进行锂离子电池电压故障诊断，可以在电池未出现明显异常的情况下对电池故障进行早期诊断。电池出现故障时会引起电压序列样本的显著变化，首先通过SDO算法发现电池电压序列的电位异常，找出异常值即诊断故障电池以及故障发生的时间，因为电池电压序列的电位异常程度恒为非负值，其本身无法区分故障类型，在此基础上，增加反映电压序列波动信息的修正系数，即可判断其故障类型，包括短路故障、断路故障等。
利用基于距离的异常值估计对数据样本进行评分，发现异常值。大多数异常值检测算法均基于惰性学习或包含二次问题的复杂性，但是SDO是一种渴望学习的算法，由观察者建立低密度数据模型，因此，大大降低了应用阶段的计算成本，良好的检测性能以及较低的复杂度使SDO高度灵活，并且有着与惰性学习算法相当的准确率且能快速检测异常值。
通过对实验采集到的电池电压数据进行仿真实验，验证了该方法的可行性、有效性以及鲁棒性。本实验装置由AVL控制柜、AVL电池测试仪和一个热室组成。3个1.35Ah的LiFePO4电池串联，电池规格如表1所示。电池放置在热室中，以确保25℃的恒定实验温度。在城市道路循环(UDDS)工况下对电池进行充放电实验，采集电池的电压数据。测量频率设置为10Hz，测量系统的电压测量精度为0.1％。
表1电池规格参数表
正常状态下的诊断结果：在电池组中，单体之间的差异总是存在的。电池制造过程中存在工艺上的问题和材质的不均匀等问题，使得锂电池的材料等存在很微小的差别，在锂电池组投入使用后，电池组中各个电池的电解液密度、温度和通风条件、自放电程度及充放电过程等差别的影响，同一批次出厂的同一型号的电池容量和内阻也存在差异性。从图2可以看出，电池电压具有不一致性，因为使用相同的充放电电流，这三节电池的电压波动趋势是一致的。电池处于正常状态时，通过故障检测算法计算出各电池电压序列的电位异常程度，仿真结果如图3所示，电位异常程度几乎为零，说明三节电池都是正常的。这说明本申请所提出的故障诊断方法在正常状态下不会错误报警，验证了该方法的可行性和鲁棒性。
异常状态下的诊断结果：在异常情况下，故障检测算法应能准确检测出故障，快速定位故障电池、故障发生的时间以及故障类型。如图4所示为三节锂离子电池(Cell1、Cell2、Cell3)串联在UDDS工况下存在短路和断路故障时的电压序列。在UDDS循环工况的20秒时，Cell3发生断路故障，导致电压突然上升0.198V。在47秒时，Cell2被一根线短接，导致电流瞬时升高，Cell2出现短路故障，电池电压突然下降0.356V，持续时间大约为2秒。从图4中可以看到当短路故障消失后，Cell2的电压恢复正常。在76秒时，Cell1发生断路故障，电池电压突然上升至3.501V。可以发现这三节电池出现电压故障时，都没有触发电池的充放电截止电压。常规方法无法检测出发生故障的电池，更无法识别故障类型以及定位故障发生的时间。SDO算法对电池的电位异常极其敏感，即使电池电压在安全范围内，SDO算法也是可以检测出电池故障的，故障诊断结果如图5所示。由图4可知Cell3在20秒时发生断路故障，因为
在图5中可以看到一个正的电位异常程度值出现。在47秒时Cell2出现短路故障，因为
一个负的电位异常程度值出现。在49秒时，短路故障消失，随之电位异常程度变为零。可以发现电池电压序列的电位异常出现和消失的时间和异常程度突升和突降的时间是一样的，所以本申请所提方法可以准确预测故障发生的时间。类似地，在76秒时，一个正的电位异常程度值出现，表明Cell1出现断路故障。说明该方法可以准确检测出故障，定位故障电池以及故障发生的时间和故障类型。
对测量噪声的鲁棒性：当测量数据存在噪声时，可能会影响到故障诊断的结果，出现错误报警，为了验证所提方法的鲁棒性，在测量数据中加入40dB的高斯白噪声进行仿真实验，如图6所示为加入高斯白噪声后三节串联电池的电压序列，基于SDO算法的故障诊断结果如图7所示，可以发现所提方法不受测量噪声的影响，仍然可以准确检测出故障，以及故障发生的时间，不会出现误检。该仿真实验验证了本申请所提故障诊断方法有较强的鲁棒性。
为了提高电动汽车电池管理系统的安全性，本申请首次提出了一种基于SDO算法的锂离子电池电压故障诊断方法，可以快速检测出存在安全隐患的异常电池，在早期就发现问题，避免故障进一步恶化，从而防止热失控的发生。本申请所提方法首先通过SDO算法发现电位异常值并对其进行评分，计算电池电压序列的电位异常程度。然后，引入一个表示电压序列波动信息的修正系数，从而判断故障电池的故障类型。最后，仿真实验结果表明本申请提出的方法可以在电池未出现明显异常的情况下对电池故障进行诊断和预测各种早期故障，包括短路故障和断路故障，并定位故障发生的时间，验证了该方法的可行性、有效性以及鲁棒性。
实施例二
本实施例提供了基于SDO算法的锂离子电池电压故障诊断系统；
基于SDO算法的锂离子电池电压故障诊断系统，包括：
评估模块，其被配置为：对获取的目标电池电压时间序列中的每个电压数据，利用由观察者形成的低密度模型进行评估，计算电压时间序列的电位异常程度；所述由观察者形成的低密度模型是通过SDO算法计算获得的；
异常程度计算模块，其被配置为：根据修正系数和电压时间序列中的电位异常程度，计算目标电池电压时间序列的异常程度；
诊断模块，其被配置为：根据目标电池电压时间序列的异常程度，对目标电池的故障进行诊断。
此处需要说明的是，上述评估模块、异常程度计算模块和诊断模块对应于实施例一中的步骤S101至S103，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
上述实施例中对各个实施例的描述各有侧重，某个实施例中没有详述的部分可以参见其他实施例的相关描述。
所提出的系统，可以通过其他的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如上述模块的划分，仅仅为一种逻辑功能划分，实际实现时，可以有另外的划分方式，例如多个模块可以结合或者可以集成到另外一个系统，或一些特征可以忽略，或不执行。
实施例三
本实施例还提供了一种电子设备，包括：一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，以使电子设备执行上述实施例一所述的方法。
应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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。
存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。
实施例一中的方法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。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
实施例四
本实施例还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例一所述的方法。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (10)
1.基于SDO算法的锂离子电池电压故障诊断方法，其特征是，包括：
对获取的目标电池电压时间序列中的每个电压数据，利用由观察者形成的低密度模型进行评估，计算电压时间序列的电位异常程度；所述由观察者形成的低密度模型是通过SDO算法计算获得的；
根据修正系数和电压时间序列中的电位异常程度，计算目标电池电压时间序列的异常程度；
根据目标电池电压时间序列的异常程度，对目标电池的故障进行诊断。
2.如权利要求1所述的方法，其特征是，对获取的目标电池电压时间序列中的每个电压数据，利用由观察者形成的低密度模型进行评估，计算电压时间序列中的电位异常程度；该步骤之前还包括：
测量目标电池的电压；
判断目标电池电压是否大于等于最大阈值；如果是，则判定为目标电池出现过电压故障；
判断目标电池电压是否小于等于最小阈值；如果是，则判定目标电池出现欠电压故障。
3.如权利要求1所述的方法，其特征是，由观察者形成的低密度模型是通过SDO算法计算获得的；低密度模型的具体获得步骤包括：
初始化观察者：获取正常电池的电压时间序列，从正常电池的电压时间序列中随机抽取若干个电压数据，作为观察者；观察者的数量是根据统计采样计算得到的；
观察电池电压序列样本：通过测量每一个观察者与每一个电压数据之间的距离，创建距离矩阵；将距离矩阵简化为观测矩阵；所述观测矩阵中存储正常电池的电压时间序列中每个电压数据最近的若干个观察者的标识符；
删除空闲观察者：通过计算观测矩阵中每个观察者出现的次数，将观测次数少于设定阈值的观察者进行删除，得到更新矩阵；所述更新矩阵即为低密度模型。
4.如权利要求1所述的方法，其特征是，对获取的目标电池电压时间序列中的每个电压数据，利用由观察者形成的低密度模型进行评估，计算电压时间序列的电位异常程度；具体步骤包括：
对获取的目标电池电压时间序列中的每个电压数据，利用由观察者形成的低密度模型进行评估；将距离每个电压数据最近的若干个观察者的标识符存储在观察数组中；
计算每个电压数据与距离每个电压数据最近的所有观察者的平均距离，得到电压时间序列的电位异常程度。
5.如权利要求1所述的方法，其特征是，根据修正系数和电压时间序列中的电位异常程度，计算目标电池电压时间序列的异常程度；具体步骤包括：
对修正系数和电压时间序列中的电位异常程度进行相乘运算，得到目标电池电压时间序列的异常程度。
6.如权利要求1所述的方法，其特征是，所述修正系数具体为：
当某一时刻的目标电池电压大于目标电池的平均电压时，则修正系数为1；
当某一时刻的目标电池电压等于目标电池的平均电压时，则修正系数为0；
当某一时刻的目标电池电压小于目标电池的平均电压时，则修正系数为-1；
或者，
所述电压时间序列中的电位异常程度，表示目标电池的某个电压数据与其最近的若干个观察者的平均距离。
7.如权利要求1所述的方法，其特征是，根据目标电池电压时间序列的异常程度，对目标电池的故障进行诊断；具体步骤包括：
判断目标电池电压时间序列的异常程度是否大于零；如果是，则表示目标电池出现断路故障；
判断目标电池电压时间序列的异常程度是否小于零；如果是，则表示目标电池出现短路故障；
继续测量目标电池的电压。
8.基于SDO算法的锂离子电池电压故障诊断系统，其特征是，包括：
评估模块，其被配置为：对获取的目标电池电压时间序列中的每个电压数据，利用由观察者形成的低密度模型进行评估，计算电压时间序列的电位异常程度；所述由观察者形成的低密度模型是通过SDO算法计算获得的；
异常程度计算模块，其被配置为：根据修正系数和电压时间序列中的电位异常程度，计算目标电池电压时间序列的异常程度；
诊断模块，其被配置为：根据目标电池电压时间序列的异常程度，对目标电池的故障进行诊断。
9.一种电子设备，其特征是，包括：一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，以使电子设备执行上述权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质，其特征是，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010994154.2A CN112098850B (zh) | 2020-09-21 | 2020-09-21 | 基于sdo算法的锂离子电池电压故障诊断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010994154.2A CN112098850B (zh) | 2020-09-21 | 2020-09-21 | 基于sdo算法的锂离子电池电压故障诊断方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112098850A true CN112098850A (zh) | 2020-12-18 |
| CN112098850B CN112098850B (zh) | 2024-03-08 |
Family
ID=73754748
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010994154.2A Active CN112098850B (zh) | 2020-09-21 | 2020-09-21 | 基于sdo算法的锂离子电池电压故障诊断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112098850B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110988723A (zh) * | 2019-12-17 | 2020-04-10 | 国网上海市电力公司 | 一种基于lstm的电池内阻预测及故障预警方法 |
| CN113343633A (zh) * | 2021-06-10 | 2021-09-03 | 上海交通大学 | 动力锂电池热失控故障分类及风险预测方法、系统 |
| CN113433468A (zh) * | 2021-05-12 | 2021-09-24 | 山东大学 | 储能电池早期故障融合诊断方法及安全预警系统 |
| CN113762507A (zh) * | 2021-08-24 | 2021-12-07 | 浙江中辰城市应急服务管理有限公司 | 一种基于相空间重构的半监督深度学习电弧电压异常检测方法 |
| CN114910795A (zh) * | 2022-05-27 | 2022-08-16 | 上海玫克生储能科技有限公司 | 恒流充电中电池微短路判断方法及系统、存储介质及终端 |
| CN117148173A (zh) * | 2023-11-01 | 2023-12-01 | 中国华能集团清洁能源技术研究院有限公司 | 一种电池传感器故障诊断方法、装置及电子设备 |
Citations (34)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011027607A1 (ja) * | 2009-09-07 | 2011-03-10 | 株式会社日立製作所 | 異常検知・診断方法、異常検知・診断システム、及び異常検知・診断プログラム |
| WO2011086805A1 (ja) * | 2010-01-14 | 2011-07-21 | 株式会社日立製作所 | 異常検知方法及び異常検知システム |
| CA2779232A1 (en) * | 2011-06-08 | 2012-12-08 | Her Majesty The Queen In Right Of Canada, As Represented By The Minister Of Industry Through The Communications Research Centre Canada | Sparse coding using object extraction |
| US20130289904A1 (en) * | 2012-04-28 | 2013-10-31 | Manish Marwah | Detecting Anomalies In Power Consumption Of Electrical Systems |
| CN104897962A (zh) * | 2015-06-19 | 2015-09-09 | 天津大学 | 基于互素感知的单频信号短样本高精度测频方法及其装置 |
| WO2016101690A1 (zh) * | 2014-12-22 | 2016-06-30 | 国家电网公司 | 基于时间序列分析的输变电设备的状态监测数据清洗方法 |
| CN105738722A (zh) * | 2016-01-27 | 2016-07-06 | 西北工业大学 | 一种航空机电作动器故障诊断方法 |
| CN105934765A (zh) * | 2013-11-29 | 2016-09-07 | 通用电气航空系统有限公司 | 从异常数据构造反常模型的方法 |
| US20170146608A1 (en) * | 2015-11-20 | 2017-05-25 | Korea Advanced Institute Of Science And Technology | Method of dynamically extracting entropy of battery |
| CN106777984A (zh) * | 2016-12-19 | 2017-05-31 | 福州大学 | 一种基于密度聚类算法实现光伏阵列工作状态分析与故障诊断的方法 |
| EP3189969A1 (en) * | 2016-01-07 | 2017-07-12 | Ricoh Company, Ltd. | Malfunction diagnosing apparatus, malfunction diagnosing method, and carrier means |
| WO2018028005A1 (zh) * | 2016-08-11 | 2018-02-15 | 苏州瑞得恩自动化设备科技有限公司 | 一种大型光伏电站中电池面板的故障检测算法 |
| CN107817527A (zh) * | 2017-10-31 | 2018-03-20 | 吉林大学 | 基于块稀疏压缩感知的沙漠地震勘探随机噪声压制方法 |
| CN107967489A (zh) * | 2017-11-29 | 2018-04-27 | 中国科学院空间应用工程与技术中心 | 一种异常检测方法及系统 |
| US20180231394A1 (en) * | 2014-09-10 | 2018-08-16 | Siemens Energy, Inc. | Gas turbine sensor failure detection utilizing a sparse coding methodology |
| CN108828402A (zh) * | 2018-04-26 | 2018-11-16 | 广东电网有限责任公司 | 一种高压电缆故障诊断的方法 |
| CN109447187A (zh) * | 2018-12-25 | 2019-03-08 | 中南大学 | 电机故障诊断方法及系统 |
| CN109557434A (zh) * | 2018-12-04 | 2019-04-02 | 红相股份有限公司 | 基于复合字典稀疏表示分类的强背景噪声下局部放电信号识别方法 |
| CN109613372A (zh) * | 2018-12-26 | 2019-04-12 | 国网陕西省电力公司电力科学研究院 | 一种基于多元电网数据库的电网故障诊断方法 |
| CN109656738A (zh) * | 2018-11-28 | 2019-04-19 | 北京航空航天大学 | 一种基于离散化多值扩展d矩阵的电子产品故障诊断方法 |
| CN109738811A (zh) * | 2019-01-28 | 2019-05-10 | 东北大学 | 基于双级模型预测的锂离子电池组外部短路故障诊断方法 |
| US20190251467A1 (en) * | 2018-02-09 | 2019-08-15 | Sas Institute Inc. | Analytic system for feature engineering improvement to machine learning models |
| US20190278850A1 (en) * | 2018-03-12 | 2019-09-12 | International Business Machines Corporation | Low-complexity methods for assessing distances between pairs of documents |
| US20190312593A1 (en) * | 2018-04-10 | 2019-10-10 | Shenzhen Epostar Electronics Limited Co. | Decoding method and storage controller |
| CN110456188A (zh) * | 2019-07-23 | 2019-11-15 | 上海交通大学 | 稀疏多项式混沌展开的电力系统稳定性检测系统及方法 |
| CN110703109A (zh) * | 2019-10-25 | 2020-01-17 | 山东大学 | 一种基于修正样本熵的电池串多故障诊断方法及系统 |
| WO2020021587A1 (ja) * | 2018-07-23 | 2020-01-30 | 三菱電機株式会社 | 時系列データ診断装置、追加学習方法およびプログラム |
| CN110784887A (zh) * | 2018-07-31 | 2020-02-11 | 北京大学 | 一种网格化无线电信号监测系统中异常信号源数量的检测方法 |
| CN110826648A (zh) * | 2020-01-09 | 2020-02-21 | 浙江鹏信信息科技股份有限公司 | 一种利用时序聚类算法实现故障检测的方法 |
| CN110827921A (zh) * | 2019-11-12 | 2020-02-21 | 玉林师范学院 | 一种单细胞聚类方法、装置、电子设备及存储介质 |
| CN110940921A (zh) * | 2019-12-11 | 2020-03-31 | 山东工商学院 | 基于修正方差的锂离子电池串的多故障诊断方法及系统 |
| CN111146514A (zh) * | 2019-12-19 | 2020-05-12 | 上海派能能源科技股份有限公司 | 锂离子电池模组运行安全性评估预测方法、系统及电子设备 |
| CN111275135A (zh) * | 2020-02-27 | 2020-06-12 | 苏州大学 | 一种故障诊断方法、装置、设备、介质 |
| KR102123522B1 (ko) * | 2019-12-16 | 2020-06-16 | 주식회사 한국가스기술공사 | 고장 데이터의 군집에 기반한 고장 진단 방법 |
-
2020
- 2020-09-21 CN CN202010994154.2A patent/CN112098850B/zh active Active
Patent Citations (34)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011027607A1 (ja) * | 2009-09-07 | 2011-03-10 | 株式会社日立製作所 | 異常検知・診断方法、異常検知・診断システム、及び異常検知・診断プログラム |
| WO2011086805A1 (ja) * | 2010-01-14 | 2011-07-21 | 株式会社日立製作所 | 異常検知方法及び異常検知システム |
| CA2779232A1 (en) * | 2011-06-08 | 2012-12-08 | Her Majesty The Queen In Right Of Canada, As Represented By The Minister Of Industry Through The Communications Research Centre Canada | Sparse coding using object extraction |
| US20130289904A1 (en) * | 2012-04-28 | 2013-10-31 | Manish Marwah | Detecting Anomalies In Power Consumption Of Electrical Systems |
| CN105934765A (zh) * | 2013-11-29 | 2016-09-07 | 通用电气航空系统有限公司 | 从异常数据构造反常模型的方法 |
| US20180231394A1 (en) * | 2014-09-10 | 2018-08-16 | Siemens Energy, Inc. | Gas turbine sensor failure detection utilizing a sparse coding methodology |
| WO2016101690A1 (zh) * | 2014-12-22 | 2016-06-30 | 国家电网公司 | 基于时间序列分析的输变电设备的状态监测数据清洗方法 |
| CN104897962A (zh) * | 2015-06-19 | 2015-09-09 | 天津大学 | 基于互素感知的单频信号短样本高精度测频方法及其装置 |
| US20170146608A1 (en) * | 2015-11-20 | 2017-05-25 | Korea Advanced Institute Of Science And Technology | Method of dynamically extracting entropy of battery |
| EP3189969A1 (en) * | 2016-01-07 | 2017-07-12 | Ricoh Company, Ltd. | Malfunction diagnosing apparatus, malfunction diagnosing method, and carrier means |
| CN105738722A (zh) * | 2016-01-27 | 2016-07-06 | 西北工业大学 | 一种航空机电作动器故障诊断方法 |
| WO2018028005A1 (zh) * | 2016-08-11 | 2018-02-15 | 苏州瑞得恩自动化设备科技有限公司 | 一种大型光伏电站中电池面板的故障检测算法 |
| CN106777984A (zh) * | 2016-12-19 | 2017-05-31 | 福州大学 | 一种基于密度聚类算法实现光伏阵列工作状态分析与故障诊断的方法 |
| CN107817527A (zh) * | 2017-10-31 | 2018-03-20 | 吉林大学 | 基于块稀疏压缩感知的沙漠地震勘探随机噪声压制方法 |
| CN107967489A (zh) * | 2017-11-29 | 2018-04-27 | 中国科学院空间应用工程与技术中心 | 一种异常检测方法及系统 |
| US20190251467A1 (en) * | 2018-02-09 | 2019-08-15 | Sas Institute Inc. | Analytic system for feature engineering improvement to machine learning models |
| US20190278850A1 (en) * | 2018-03-12 | 2019-09-12 | International Business Machines Corporation | Low-complexity methods for assessing distances between pairs of documents |
| US20190312593A1 (en) * | 2018-04-10 | 2019-10-10 | Shenzhen Epostar Electronics Limited Co. | Decoding method and storage controller |
| CN108828402A (zh) * | 2018-04-26 | 2018-11-16 | 广东电网有限责任公司 | 一种高压电缆故障诊断的方法 |
| WO2020021587A1 (ja) * | 2018-07-23 | 2020-01-30 | 三菱電機株式会社 | 時系列データ診断装置、追加学習方法およびプログラム |
| CN110784887A (zh) * | 2018-07-31 | 2020-02-11 | 北京大学 | 一种网格化无线电信号监测系统中异常信号源数量的检测方法 |
| CN109656738A (zh) * | 2018-11-28 | 2019-04-19 | 北京航空航天大学 | 一种基于离散化多值扩展d矩阵的电子产品故障诊断方法 |
| CN109557434A (zh) * | 2018-12-04 | 2019-04-02 | 红相股份有限公司 | 基于复合字典稀疏表示分类的强背景噪声下局部放电信号识别方法 |
| CN109447187A (zh) * | 2018-12-25 | 2019-03-08 | 中南大学 | 电机故障诊断方法及系统 |
| CN109613372A (zh) * | 2018-12-26 | 2019-04-12 | 国网陕西省电力公司电力科学研究院 | 一种基于多元电网数据库的电网故障诊断方法 |
| CN109738811A (zh) * | 2019-01-28 | 2019-05-10 | 东北大学 | 基于双级模型预测的锂离子电池组外部短路故障诊断方法 |
| CN110456188A (zh) * | 2019-07-23 | 2019-11-15 | 上海交通大学 | 稀疏多项式混沌展开的电力系统稳定性检测系统及方法 |
| CN110703109A (zh) * | 2019-10-25 | 2020-01-17 | 山东大学 | 一种基于修正样本熵的电池串多故障诊断方法及系统 |
| CN110827921A (zh) * | 2019-11-12 | 2020-02-21 | 玉林师范学院 | 一种单细胞聚类方法、装置、电子设备及存储介质 |
| CN110940921A (zh) * | 2019-12-11 | 2020-03-31 | 山东工商学院 | 基于修正方差的锂离子电池串的多故障诊断方法及系统 |
| KR102123522B1 (ko) * | 2019-12-16 | 2020-06-16 | 주식회사 한국가스기술공사 | 고장 데이터의 군집에 기반한 고장 진단 방법 |
| CN111146514A (zh) * | 2019-12-19 | 2020-05-12 | 上海派能能源科技股份有限公司 | 锂离子电池模组运行安全性评估预测方法、系统及电子设备 |
| CN110826648A (zh) * | 2020-01-09 | 2020-02-21 | 浙江鹏信信息科技股份有限公司 | 一种利用时序聚类算法实现故障检测的方法 |
| CN111275135A (zh) * | 2020-02-27 | 2020-06-12 | 苏州大学 | 一种故障诊断方法、装置、设备、介质 |
Non-Patent Citations (8)
| Title |
|---|
| 何成;刘长春;武洋;: "基于改进粒子滤波算法的医疗锂电池PHM系统设计", 计算机测量与控制, no. 11, 25 November 2018 (2018-11-25) * |
| 刘宏阳;杨林;李济霖;: "基于长短期记忆网络的电动汽车电池故障诊断", 机电一体化, no. 1, 15 April 2020 (2020-04-15) * |
| 孙斌;薛广鑫;陈军;蒋能飞;: "基于局部线性嵌入和云神经网络的转子故障诊断方法", 振动与冲击, no. 23, 15 December 2012 (2012-12-15) * |
| 李波等: "《基于压缩传感理论的数据重建》", vol. 19, no. 19, pages 23 - 25 * |
| 杨马英;张书桂;: "一种基于T-S模糊模型的残差加权故障诊断方法", 计算机与应用化学, no. 10, 28 October 2017 (2017-10-28) * |
| 王国栋;黎敏;阳建宏;徐金梧;: "基于特征波形稀疏匹配的滚动轴承故障模式识别", 北京科技大学学报, no. 03, 15 March 2010 (2010-03-15) * |
| 相洁;赵冬琴;: "改进谱聚类算法在MCI患者检测中的应用研究", 通信学报, no. 04, 25 April 2015 (2015-04-25) * |
| 葛云龙;陈自强;郑昌文;: "UTSTF锂离子电池时变参数估计与故障诊断", 浙江大学学报(工学版), no. 06, 20 June 2018 (2018-06-20) * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110988723A (zh) * | 2019-12-17 | 2020-04-10 | 国网上海市电力公司 | 一种基于lstm的电池内阻预测及故障预警方法 |
| CN110988723B (zh) * | 2019-12-17 | 2022-01-25 | 国网上海市电力公司 | 一种基于lstm的电池内阻预测及故障预警方法 |
| CN113433468A (zh) * | 2021-05-12 | 2021-09-24 | 山东大学 | 储能电池早期故障融合诊断方法及安全预警系统 |
| CN113343633A (zh) * | 2021-06-10 | 2021-09-03 | 上海交通大学 | 动力锂电池热失控故障分类及风险预测方法、系统 |
| CN113343633B (zh) * | 2021-06-10 | 2022-04-26 | 上海交通大学 | 动力锂电池热失控故障分类及风险预测方法、系统 |
| CN113762507A (zh) * | 2021-08-24 | 2021-12-07 | 浙江中辰城市应急服务管理有限公司 | 一种基于相空间重构的半监督深度学习电弧电压异常检测方法 |
| CN113762507B (zh) * | 2021-08-24 | 2023-12-29 | 浙江中辰城市应急服务管理有限公司 | 一种基于相空间重构的半监督深度学习电弧电压异常检测方法 |
| CN114910795A (zh) * | 2022-05-27 | 2022-08-16 | 上海玫克生储能科技有限公司 | 恒流充电中电池微短路判断方法及系统、存储介质及终端 |
| CN114910795B (zh) * | 2022-05-27 | 2023-06-06 | 上海玫克生储能科技有限公司 | 恒流充电中电池微短路判断方法及系统、存储介质及终端 |
| CN117148173A (zh) * | 2023-11-01 | 2023-12-01 | 中国华能集团清洁能源技术研究院有限公司 | 一种电池传感器故障诊断方法、装置及电子设备 |
| CN117148173B (zh) * | 2023-11-01 | 2024-01-30 | 中国华能集团清洁能源技术研究院有限公司 | 一种电池传感器故障诊断方法、装置及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112098850B (zh) | 2024-03-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112098850B (zh) | 基于sdo算法的锂离子电池电压故障诊断方法及系统 | |
| Shang et al. | A multi-fault diagnosis method based on modified Sample Entropy for lithium-ion battery strings | |
| CN112092675B (zh) | 一种电池热失控预警方法、系统及服务器 | |
| CN110018425B (zh) | 一种动力电池故障诊断方法及系统 | |
| WO2021078257A1 (zh) | 一种基于修正样本熵的电池组多故障诊断方法及系统 | |
| CN111551860B (zh) | 一种基于弛豫电压特征的电池内短路诊断方法 | |
| CN109116242B (zh) | 一种动力电池的数据处理方法和装置 | |
| Hashemi et al. | Machine learning‐based model for lithium‐ion batteries in BMS of electric/hybrid electric aircraft | |
| CN111257753B (zh) | 一种电池系统故障诊断方法 | |
| US20220179008A1 (en) | Battery Diagnosing Apparatus and Method | |
| Sun et al. | A multi-fault advanced diagnosis method based on sparse data observers for lithium-ion batteries | |
| CN114839541A (zh) | 基于k均值聚类的动力电池组不一致性诊断方法及系统 | |
| CN113791364A (zh) | 模型融合信号驱动的锂离子电池内部短路诊断方法与系统 | |
| Dong et al. | Model-based thermal anomaly detection for lithium-ion batteries using multiple-model residual generation | |
| US20230384393A1 (en) | Battery Cell Diagnosing Apparatus and Method | |
| Kim et al. | Outlier mining-based fault diagnosis for multiceli lithium-ion batteries using a low-priced microcontroller | |
| He et al. | Voltage abnormality-based fault diagnosis for batteries in electric buses with a self-adapting update model | |
| US20230366938A1 (en) | Battery diagnosing apparatus, battery system and battery diagnosing method | |
| CN115718258A (zh) | 电池故障检测 | |
| CN116203490A (zh) | 传感器故障诊断方法、装置、设备及存储介质 | |
| Chen et al. | Multifault diagnosis of Li-ion battery pack based on hybrid system | |
| CN111537893A (zh) | 一种锂离子电池模组运行安全的评测方法、系统及电子设备 | |
| 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 | |
| Wang et al. | Research on interactive multi‐model fault diagnosis method of Li‐ion battery based on noise suppression | |
| Diao et al. | Research on Electric Vehicle Charging Safety Warning Based on A-LSTM Algorithm |
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 |