CN114384424A - 基于数据驱动的电池组早期故障实时诊断方法及系统 - Google Patents
基于数据驱动的电池组早期故障实时诊断方法及系统 Download PDFInfo
- Publication number
- CN114384424A CN114384424A CN202210086676.1A CN202210086676A CN114384424A CN 114384424 A CN114384424 A CN 114384424A CN 202210086676 A CN202210086676 A CN 202210086676A CN 114384424 A CN114384424 A CN 114384424A
- Authority
- CN
- China
- Prior art keywords
- real
- battery pack
- battery
- single battery
- voltage data
- 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 32
- 238000003745 diagnosis Methods 0.000 title claims abstract description 30
- 239000011159 matrix material Substances 0.000 claims abstract description 40
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000000513 principal component analysis Methods 0.000 claims abstract description 7
- 230000036541 health Effects 0.000 claims abstract description 5
- 238000012360 testing method Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 8
- 230000035945 sensitivity Effects 0.000 claims description 8
- 230000000694 effects Effects 0.000 description 10
- 238000001514 detection method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 208000032953 Device battery issue Diseases 0.000 description 3
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 3
- 229910001416 lithium ion Inorganic materials 0.000 description 3
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 229910052744 lithium Inorganic materials 0.000 description 2
- 238000012847 principal component analysis method Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000032683 aging 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
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013551 empirical research Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 230000014759 maintenance of location 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
- 239000000178 monomer Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000000126 substance Substances 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]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本发明公开了一种基于数据驱动的电池组早期故障实时诊断方法及系统，包括：获取电池组中每个单体电池健康状态下的历史电压数据，并进行预处理；基于处理后的历史电压数据确定平方预测误差的控制限；基于主成分分析确定主元载荷矩阵和主元得分矩阵；获取待测电池组每个单体电池的实时电压数据，并进行预处理；然后计算电压数据平方预测误差的统计量；基于所述平方预测误差的统计量和控制限，确定电池组是否发生故障；基于每个单体电池的贡献率进一步判断各个单体电池是否发生故障及故障类型。本发明通过计算SPE统计量和统计限，能够实现电池组在不同温度条件下的在线实时故障诊断。
Description
技术领域
本发明涉及电动汽车电池组故障检测技术领域，尤其涉及一种基于数据驱动的电池组早期故障实时诊断方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
目前，锂离子电池是电动汽车电源的首选。据不完全统计，52％的电动汽车故障来自锂电池。由于电池内部参数难以直接测量，因此提供了电压和电流来诊断电池潜在故障。锂离子电池本质上是一种具有高度非线性、多重时变性和多个体混联的复杂系统。因此，电池早期故障具有强隐蔽性、强传播性和强渐变性，很难追踪到故障。
但是，现有的锂离子电池早期故障诊断技术往往存在如下缺陷：
(1)不能准确诊断故障，误诊率过高
现有的电池管理系统大多是通过电压阈值来检测电池故障，只有当电池故障发展到一定程度时才能检测到电压阈值。然而此时，电池故障已经对锂电池的寿命产生了极其严重甚至不可逆转的影响。另外，该方法往往不能兼顾电池组各单体在内阻、老化程度、化学性质等方面的不一致性，仅靠单一电压变化阈值进行监测和诊断，不能准确检测出早期故障，误诊率较高。
(2)无法正确判断故障类型
通过相关系数或模型方法对电池运行状态进行分析的诊断策略，虽然可以通过异常数据判明是否存在故障，但不能准确甄别故障类型，存在较大的优化空间。
发明内容
为了解决上述问题，本发明提出了一种基于数据驱动的电池组早期故障实时诊断方法及系统，采用主成分分析方法自适应确定平方预测误差统计量检测阈值，并通过改进贡献率解决了无法判断故障类型的问题，实现了自适应定位电池故障单体和精确检测故障类型。
在一些实施方式中，采用如下技术方案：
一种基于数据驱动的电池组早期故障实时诊断方法，包括：
获取电池组中每个单体电池健康状态下的历史电压数据，并进行预处理；
对于处理后的历史电压数据求取协方差矩阵，并计算协方差矩阵的特征值和特征向量；根据所述特征值确定平方预测误差的控制限；
基于主成分分析确定主元载荷矩阵和主元得分矩阵；
获取待测电池组每个单体电池的实时电压数据，并进行预处理；然后计算电压数据平方预测误差的统计量；
基于所述平方预测误差的统计量和控制限，确定电池组是否发生故障；若是，计算电池组每个单体电池的实时测试真实值与预测值的误差，基于所述误差计算每个单体电池的贡献率，基于所述贡献率进一步判断各个单体电池是否发生故障及故障类型。
作为可选的实施方式，对于历史电压数据和实时电压数据的预处理，具体包括：对历史电压数据/实时电压数据进行标准化处理。
作为可选的实施方式，计算电压数据平方预测误差的统计量，具体包括：
基于确定的主元载荷矩阵和得分矩阵，以及标准化后的实时电压数据，计算电压数据平方预测误差的统计量。
作为可选的实施方式，基于所述平方预测误差的统计量和控制限，确定电池组是否发生故障，具体包括：
引入灵敏系数，若所述平方预测误差的统计量不大于所述控制限与灵敏系数的乘积，则表明电池组未发生故障；若所述平方预测误差的统计量不小于所述控制限与灵敏系数的乘积，则表明电池组发生故障。
作为可选的实施方式，基于所述误差计算每个单体电池的贡献率，具体包括：
第n次样本中第m个电池单体的贡献率为：该电池单体实际电压值与预测电压值的误差，与第n次样本中所有电池单体的误差平方和的比值。
作为可选的实施方式，基于所述贡献率进一步判断各个单体电池是否发生故障，具体包括：
若单体电池的贡献率的绝对值大于设定的故障贡献率最小值，则表明所述单体电池发生故障；
若单体电池的贡献率的绝对值小于设定的故障贡献率最小值，则表明所述单体电池未发生故障。
作为可选的实施方式，基于所述贡献率进一步判断各个单体电池的故障类型，具体包括：
若单体电池发生故障，并且单体电池的贡献率大于零，则表明为单体电池为开路故障；
若单体电池发生故障，并且单体电池的贡献率小于零，则表明为单体电池为短路故障。
在另一些实施方式中，采用如下技术方案：
一种基于数据驱动的电池组早期故障实时诊断系统，包括：
历史数据获取模块，用于获取电池组中每个单体电池的历史电压数据，并进行预处理；
历史数据处理模块，用于对于处理后的历史电压数据求取协方差矩阵，并计算协方差矩阵的特征值和特征向量；根据所述特征值确定平方预测误差的控制限；基于主成分分析确定主元载荷矩阵和主元得分矩阵；
实时数据获取模块，用于获取待测电池组每个单体电池的实时电压数据，并进行预处理；
实时故障判断模块，用于计算电压数据平方预测误差的统计量；基于所述平方预测误差的统计量和控制限，确定电池组是否发生故障；若是，计算电池组每个单体电池的实时测试真实值与预测值的误差，基于所述误差计算每个单体电池的贡献率，基于所述贡献率进一步判断各个单体电池是否发生故障及故障类型。
在另一些实施方式中，采用如下技术方案：
一种终端设备，其包括处理器和存储器，处理器用于实现各指令；存储器用于存储多条指令，所述指令适于由处理器加载并执行上述的基于数据驱动的电池组早期故障实时诊断方法。
在另一些实施方式中，采用如下技术方案：
一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行上述的基于数据驱动的电池组早期故障实时诊断方法。与现有技术相比，本发明的有益效果是：
(1)本发明利用主成分分析法，确定主元载荷矩阵和得分矩阵，进而计算SPE统计量和统计限，能够实现电池组在不同温度条件下的在线实时故障诊断。
(2)本发明通过改进的贡献率计算方法，能够基于贡献率确定单体电池是否发生故障，并能够确定故障的类型。
(3)本发明通过主成分分析方法对原始电压序列进行降维处理，用更少的主元维度反映更多的原始信息，能够降低计算量，对硬件性能要求小，有利于在线实时故障诊断。
本发明的其他特征和附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本方面的实践了解到。
附图说明
图1为本发明实施例中基于数据驱动的电池组早期故障实时诊断流程图；
图2为本发明实施例中8个串联电池模组的电压波形图(t＝25°)；
图3为基于平方预测误差(SPE)的电池故障检测效果示意图(t＝25°)；
图4为基于传统贡献率的电池故障检测效果示意图(t＝25°)；
图5为本发明实施例中改进贡献率的电池故障(t＝25°)检测效果示意图；
图6为本发明实施例中改进贡献率的电池故障(t＝60°)检测效果示意图；
图7为本发明实施例中改进贡献率的电池故障(t＝-10°)检测效果示意图。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本发明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，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
在一个或多个实施方式中，公开了一种基于数据驱动的电池组早期故障实时诊断方法，参照图1，具体包括如下过程：
(1)获取电池组中每个单体电池健康状态下的历史电压数据，为了消除数据差异的影响，对历史电压数据进行标准化处理；
本实施例中，假设原始健康状态电池组数据矩阵Xn×m，其中，n表示样本数量，m表示电池单体个数。
为了消除数据差异的影响，对数据标准化处理。
其中，
xn表示第n次样本的原始数据，
表示均值，S表示方差。
(2)对于处理后的历史电压数据求取协方差矩阵，并计算协方差矩阵的特征值和特征向量；基于主成分分析确定主元载荷矩阵和主元得分矩阵；根据所述特征值确定平方预测误差的控制限；
具体地，协方差矩阵Var(X)为：
用特征值分解方法求特征值为λ＝{λ1，λ2，...，λn}，并按照降序排列。对应的特征向量为V＝{v1，v2，...，vn}；
表示数据标准化后的矩阵。
主元个数的选取影响着原始变量数据信息的保留情况，是建立主元模型的关键。一般情况下，采取方差累计贡献率(CPV)来确定主元个数K。
其中，λ1，λ2，...，λk为前K个特征值，K为主元个数。
基于上述求得的主元个数，确定主元载荷矩阵为：PV＝V(1：m，1：k)；
其中，m表示电池单体个数；k表示主元个数。
SPE的统计限SPElim可基于协方差矩阵的特征值计算得到：
式中，Cα是置信水平α的上分位数，λj(j＝1，2，...，m)是协方差矩阵的特征值；θ1、θ2、θ3均为中间变量。
(4)获取待测电池组每个单体电池的实时电压数据，并进行预处理；然后计算电压数据平方预测误差的统计量；
本实施例中，假设待测电池组数据矩阵(Xtest)n×m，其中，n表示样本数量，m表示电池单体个数。
数据标准化处理：
其中，
Xfault为标准化后的待测数据。
检测指标平方预测误差(SPE)统计量为：
SPE＝||(I-PV·PVT)·Xfault||2
其中，I为单位矩阵。
(5)基于所述平方预测误差的统计量和控制限，确定电池组是否发生故障；若是，计算电池组每个单体电池的实时测试真实值与预测值的误差，基于所述误差计算每个单体电池的贡献率，基于所述贡献率进一步判断各个单体电池是否发生故障及故障类型。
具体地，若待测数据在置信水平a下没有故障，应该满足：
SPE＜SPElim
实证研究发现，直接使用SPE统计限作为判断故障是否发生的依据可能会出现“误报”，即诊断灵敏度过高。为此，引入灵敏系数β，待测电池组是否发生故障可由下式判断：
若SPE≥β×SPElim，发生故障
若SPE≤β×SPElim，未发生故障
由于SPE≥0，基于检测指标SPE只能检测出电池组是否发生故障，不能精确诊断发生何种故障，也不能定位到故障电池单体。因此，当检测到电池组发生故障后，引入检测指标贡献图。贡献图中最大的电池单体变量被认为是最有可能发生故障的单体。
测试数据预测为：
Tfault＝PVT·Xfault
则测试真实值与预测值的误差为：
第n次数据中第m个电池单体变量的贡献率定义为：
Cont(n，m)＝e(n，m)2
因贡献率Cont(n，m)之0，可以定位到故障电池单体，但是不能判断故障类型。
针对上述问题，本实施例改进贡献率：
其中，e(n，m)表示第n次样本中第m个电池单体的实际电压值与预测电压值的误差。
通过改进的贡献率，可以对故障是否发生进行量化：
其中，Contlim表示故障贡献率最小值，根据具体情况调整，取Contlim＝0.5。
具体实例分析：
有B1、B2、B3、B4、B5、B6、B7、B8，8个串联电池模组，在测试时间段内，所测的电压波形显示如图2所示；图2中，①代表电池单体2号发生开路故障的电压波形；②代表电池单体6号发生短路故障的电压波形。
基于平方预测误差(SPE)的电池故障(T＝25°)检测效果如图3所示，可以看出，只能检测出电池组发生了两次故障，但不能诊断出故障类型和定位到故障电池单体。
基于传统贡献率的电池故障(T＝25°)检测效果如图4所示，可以看出，该方法可以定位到故障单体，但不能检测出发生了何种故障类型。
而采用本实施例中改进的贡献率的方法进行定位故障电池(T＝25°)单体和检测故障类型，检测效果如图5所示，可以看出，第一次故障为开路故障，发生故障的电池单体是二号电池；第二次故障为短路故障，发生故障的电池单体是六号电池。能够准确的定位电池故障单体，并诊断出故障类型。
图6和图7是采用本实施例中改进的贡献率的方法分别在T＝60°和T＝-10°的电池故障检测效果，可以看出，本实施例方法在不同气候温度条件下均有效的检测出了故障类型，并定位到了故障单体。
实施例二
在一个或多个实施方式中，公开了一种基于数据驱动的电池组早期故障实时诊断系统，包括：
历史数据获取模块，用于获取电池组中每个单体电池的历史电压数据，并进行预处理；
历史数据处理模块，用于对于处理后的历史电压数据求取协方差矩阵，并计算协方差矩阵的特征值和特征向量；根据所述特征值确定平方预测误差的控制限；基于主成分分析确定主元载荷矩阵和主元得分矩阵；
实时数据获取模块，用于获取待测电池组每个单体电池的实时电压数据，并进行预处理；
实时故障判断模块，用于计算电压数据平方预测误差的统计量；基于所述平方预测误差的统计量和控制限，确定电池组是否发生故障；若是，计算电池组每个单体电池的实时测试真实值与预测值的误差，基于所述误差计算每个单体电池的贡献率，基于所述贡献率进一步判断各个单体电池是否发生故障及故障类型。
需要说明的是，上述各模块的具体实现方式已经在实施例一中进行了详细的说明，不再详述。
实施例三
在一个或多个实施方式中，公开了一种终端设备，包括服务器，所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现实施例一中的基于数据驱动的电池组早期故障实时诊断方法。为了简洁，在此不再赘述。
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。
实施例四
在一个或多个实施方式中，公开了一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行实施例一中所述的基于数据驱动的电池组早期故障实时诊断方法。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种基于数据驱动的电池组早期故障实时诊断方法，其特征在于，包括：
获取电池组中每个单体电池健康状态下的历史电压数据，并进行预处理；
对于处理后的历史电压数据求取协方差矩阵，并计算协方差矩阵的特征值和特征向量；根据所述特征值确定平方预测误差的控制限；
基于主成分分析确定主元载荷矩阵和主元得分矩阵；
获取待测电池组每个单体电池的实时电压数据，并进行预处理；然后计算电压数据平方预测误差的统计量；
基于所述平方预测误差的统计量和控制限，确定电池组是否发生故障；若是，计算电池组每个单体电池的实时测试真实值与预测值的误差，基于所述误差计算每个单体电池的贡献率，基于所述贡献率进一步判断各个单体电池是否发生故障及故障类型。
2.如权利要求1所述的一种基于数据驱动的电池组早期故障实时诊断方法，其特征在于，对于历史电压数据和实时电压数据的预处理，具体包括：对历史电压数据/实时电压数据进行标准化处理。
3.如权利要求1所述的一种基于数据驱动的电池组早期故障实时诊断方法，其特征在于，计算电压数据平方预测误差的统计量，具体包括：
基于确定的主元载荷矩阵和得分矩阵，以及标准化后的实时电压数据，计算电压数据平方预测误差的统计量。
4.如权利要求1所述的一种基于数据驱动的电池组早期故障实时诊断方法，其特征在于，基于所述平方预测误差的统计量和控制限，确定电池组是否发生故障，具体包括：
引入灵敏系数，若所述平方预测误差的统计量不大于所述控制限与灵敏系数的乘积，则表明电池组未发生故障；若所述平方预测误差的统计量不小于所述控制限与灵敏系数的乘积，则表明电池组发生故障。
5.如权利要求1所述的一种基于数据驱动的电池组早期故障实时诊断方法，其特征在于，基于所述误差计算每个单体电池的贡献率，具体包括：
第n次样本中第m个电池单体的贡献率为：该电池单体实际电压值与预测电压值的误差，与第n次样本中所有电池单体的误差平方和的比值。
6.如权利要求1所述的一种基于数据驱动的电池组早期故障实时诊断方法，其特征在于，基于所述贡献率进一步判断各个单体电池是否发生故障，具体包括：
若单体电池的贡献率的绝对值大于设定的故障贡献率最小值，则表明所述单体电池发生故障；
若单体电池的贡献率的绝对值小于设定的故障贡献率最小值，则表明所述单体电池未发生故障。
7.如权利要求1所述的一种基于数据驱动的电池组早期故障实时诊断方法，其特征在于，基于所述贡献率进一步判断各个单体电池的故障类型，具体包括：
若单体电池发生故障，并且单体电池的贡献率大于零，则表明为单体电池为开路故障；
若单体电池发生故障，并且单体电池的贡献率小于零，则表明为单体电池为短路故障。
8.一种基于数据驱动的电池组早期故障实时诊断系统，其特征在于，包括：
历史数据获取模块，用于获取电池组中每个单体电池的历史电压数据，并进行预处理；
历史数据处理模块，用于对于处理后的历史电压数据求取协方差矩阵，并计算协方差矩阵的特征值和特征向量；根据所述特征值确定平方预测误差的控制限；基于主成分分析确定主元载荷矩阵和主元得分矩阵；
实时数据获取模块，用于获取待测电池组每个单体电池的实时电压数据，并进行预处理；
实时故障判断模块，用于计算电压数据平方预测误差的统计量；基于所述平方预测误差的统计量和控制限，确定电池组是否发生故障；若是，计算电池组每个单体电池的实时测试真实值与预测值的误差，基于所述误差计算每个单体电池的贡献率，基于所述贡献率进一步判断各个单体电池是否发生故障及故障类型。
9.一种终端设备，其包括处理器和存储器，处理器用于实现各指令；存储器用于存储多条指令，其特征在于，所述指令适于由处理器加载并执行权利要求1-7任一项所述的基于数据驱动的电池组早期故障实时诊断方法。
10.一种计算机可读存储介质，其中存储有多条指令，其特征在于，所述指令适于由终端设备的处理器加载并执行权利要求1-7任一项所述的基于数据驱动的电池组早期故障实时诊断方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210086676.1A CN114384424B (zh) | 2022-01-25 | 2022-01-25 | 基于数据驱动的电池组早期故障实时诊断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210086676.1A CN114384424B (zh) | 2022-01-25 | 2022-01-25 | 基于数据驱动的电池组早期故障实时诊断方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114384424A true CN114384424A (zh) | 2022-04-22 |
| CN114384424B CN114384424B (zh) | 2024-08-16 |
Family
ID=81204271
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210086676.1A Active CN114384424B (zh) | 2022-01-25 | 2022-01-25 | 基于数据驱动的电池组早期故障实时诊断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114384424B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115061049A (zh) * | 2022-08-08 | 2022-09-16 | 山东卓朗检测股份有限公司 | 一种数据中心ups电池故障快速检测方法及系统 |
| CN116400126A (zh) * | 2023-06-08 | 2023-07-07 | 广东佰林电气设备厂有限公司 | 一种具有数据处理系统的低压电力箱 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108845227A (zh) * | 2018-04-26 | 2018-11-20 | 广东电网有限责任公司 | 一种对高压电缆进行故障预警的方法 |
| CN109675935A (zh) * | 2019-03-06 | 2019-04-26 | 北京科技大学 | 一种变控制限的ipca轧制过程在线故障诊断方法 |
| CN110262458A (zh) * | 2019-06-28 | 2019-09-20 | 佛山科学技术学院 | 故障特征信息提取与早期故障预警的方法及系统 |
| CN116303395A (zh) * | 2023-03-08 | 2023-06-23 | 交通运输部公路科学研究所 | 一种公路基础设施智能监测系统在线计量校准检定方法 |
-
2022
- 2022-01-25 CN CN202210086676.1A patent/CN114384424B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108845227A (zh) * | 2018-04-26 | 2018-11-20 | 广东电网有限责任公司 | 一种对高压电缆进行故障预警的方法 |
| CN109675935A (zh) * | 2019-03-06 | 2019-04-26 | 北京科技大学 | 一种变控制限的ipca轧制过程在线故障诊断方法 |
| CN110262458A (zh) * | 2019-06-28 | 2019-09-20 | 佛山科学技术学院 | 故障特征信息提取与早期故障预警的方法及系统 |
| CN116303395A (zh) * | 2023-03-08 | 2023-06-23 | 交通运输部公路科学研究所 | 一种公路基础设施智能监测系统在线计量校准检定方法 |
Non-Patent Citations (2)
| Title |
|---|
| 宋明顺;张俊亮;方兴华;黄佳;: "基于蒙特卡罗方法的模型质量控制图", 系统科学与数学, no. 11, 15 November 2015 (2015-11-15) * |
| 马瑞;康仁;罗斌;徐慧明;何进;: "基于改进主成分分析法的火电机组能耗特征识别方法", 电网技术, no. 05, 5 May 2013 (2013-05-05) * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115061049A (zh) * | 2022-08-08 | 2022-09-16 | 山东卓朗检测股份有限公司 | 一种数据中心ups电池故障快速检测方法及系统 |
| CN115061049B (zh) * | 2022-08-08 | 2022-11-01 | 山东卓朗检测股份有限公司 | 一种数据中心ups电池故障快速检测方法及系统 |
| CN116400126A (zh) * | 2023-06-08 | 2023-07-07 | 广东佰林电气设备厂有限公司 | 一种具有数据处理系统的低压电力箱 |
| CN116400126B (zh) * | 2023-06-08 | 2023-08-01 | 广东佰林电气设备厂有限公司 | 一种具有数据处理系统的低压电力箱 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114384424B (zh) | 2024-08-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110018425B (zh) | 一种动力电池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 | |
| CN114384424B (zh) | 基于数据驱动的电池组早期故障实时诊断方法及系统 | |
| CN112505549B (zh) | 基于孤立森林算法的新能源汽车电池异常检测方法 | |
| CN114559819B (zh) | 一种基于信号处理的电动汽车电池安全预警方法 | |
| CN109765490B (zh) | 一种基于高维数据诊断的动力电池故障检测方法及系统 | |
| CN112630660B (zh) | 一种基于支持向量机的电池故障识别方法 | |
| CN113415165B (zh) | 一种故障诊断方法、装置、电子设备及存储介质 | |
| CN112965001B (zh) | 一种基于实车数据的动力电池组故障诊断方法 | |
| CN113406524B (zh) | 一种动力电池系统的不一致性故障诊断方法及系统 | |
| CN112924887A (zh) | 电池包健康检测方法、装置、可读存储介质及电子设备 | |
| CN116505040B (zh) | 一种铁铬液流电池储能管理诊断系统及方法 | |
| CN116953556B (zh) | 多变量冗余故障电池在线检测的方法、系统、介质和设备 | |
| CN115962797B (zh) | 一种基于温度应力下的传感器可靠性测试方法及系统 | |
| CN111983474A (zh) | 一种基于容量衰退模型的锂离子电池寿命预测方法和系统 | |
| Gu et al. | An Early minor-fault diagnosis method for lithium-ion battery packs based on unsupervised learning | |
| CN105259507A (zh) | 一种基于多变量关联关系的卫星蓄电池组故障检测方法 | |
| CN114720901A (zh) | 一种锂离子电池健康状态估计的方法 | |
| CN112415401B (zh) | 应用于车辆的电池监控方法、装置和设备 | |
| 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 | |
| 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 | |
| CN113433468A (zh) | 储能电池早期故障融合诊断方法及安全预警系统 | |
| Fang et al. | Early micro-short circuit fault diagnosis of lithium battery pack based on Pearson correlation coefficient and KPCA | |
| CN113805065B (zh) | 一种基于余弦相似度的混联电池组多故障诊断方法 | |
| CN115469226B (zh) | 一种基于运行大数据的电动汽车动力电池实时安全预警方法 |
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 |