CN114646880A - 一种铅酸电池智能诊断方法及系统 - Google Patents
一种铅酸电池智能诊断方法及系统 Download PDFInfo
- Publication number
- CN114646880A CN114646880A CN202210383037.1A CN202210383037A CN114646880A CN 114646880 A CN114646880 A CN 114646880A CN 202210383037 A CN202210383037 A CN 202210383037A CN 114646880 A CN114646880 A CN 114646880A
- Authority
- CN
- China
- Prior art keywords
- data
- discharge curve
- voltage
- lead
- discharge
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 74
- 239000002253 acid Substances 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 45
- 239000000178 monomer Substances 0.000 claims abstract description 32
- 238000012423 maintenance Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 238000004458 analytical method Methods 0.000 claims description 16
- 230000008859 change Effects 0.000 claims description 8
- 238000013102 re-test Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 4
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 15
- 230000036541 health Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 8
- 238000001514 detection method Methods 0.000 description 7
- 238000010276 construction Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 229910052744 lithium Inorganic materials 0.000 description 2
- 238000002407 reforming Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method 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
- G01R31/379—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 for lead-acid batteries
-
- 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
-
- 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)
Abstract
本公开涉及铅酸蓄电池诊断技术领域,提供一种铅酸电池智能诊断方法及系统。本公开提供的铅酸电池智能诊断方法,包括:采集蓄电池组的第一数据,所述第一数据包括总电流、环境温度、采集时间、总电压、单体电压/电流和放电曲线;对第一数据进行预处理,得到预处理后的第二数据,第二数据包括第一部分和第二部分;以及,对第二数据的第一部分进行分析,得到诊断结果。本公开只需要在采集数据的阶段借助一般基站维护人员去实现,无需专业人员去对数据进行分析与处理,能够自动对采集到的数据进行预测和诊断,得到电池的健康状态,整个诊断过程省时省力,保障了数据的完整性,以及保证了诊断结果的一致性和准确性。
Description
技术领域
本公开涉及铅酸蓄电池诊断技术领域,特别涉及一种铅酸电池智能诊断方法及系统。
背景技术
对于铅酸电池的检测诊断,目前行业普遍采用离线检测方式,由专业人员根据检测数据,进行分析与处理。具体为将电池拆下,使用假负载或放电测试仪进行放电测试,得到电池的实际放电时长及单体信息,从而得出电池的健康状态和单体一致性信息。
发明内容
发明人通过研究发现:相关技术的铅酸电池的整个检测诊断过程耗时耗力,需专业人员实施处理,数据采集的完整性不容易得到保障,结果的一致性以及准确性依赖于专业人员的专业知识与经验。
鉴于以上技术问题中的至少一项,本公开提供了一种铅酸电池智能诊断方法及系统,可以自动对采集到的数据进行预测和诊断,得到电池的健康状态,无需专业人员去对数据进行分析与处理,整个诊断过程省时省力,保障了数据的完整性,以及保证了诊断结果的一致性和准确性。
根据本公开的一个方面,提供一种铅酸电池智能诊断方法,包括:
采集蓄电池组的第一数据,所述第一数据包括总电流、环境温度、采集时间、总电压、单体电压/电流和放电曲线;
对第一数据进行预处理,得到预处理后的第二数据,所述第二数据包括第一部分和第二部分;以及,
对所述第二数据的第一部分进行分析,得到诊断结果。
在本公开的一些实施例中,所述对第一数据进行预处理,得到预处理后的第二数据包括:
对所述单体电压/电流进行修正;
所述放电曲线的选取;
判断选取出来的放电曲线是否满足预设条件,若满足,则将选取出来的放电曲线作为所述第二数据的第一部分。
在本公开的一些实施例中,所述放电曲线的选取包括:
截取出第一放电曲线,所述第一放电曲线为电流小于零且总电压下降的放电曲线;
从所述第一放电曲线中选取出第二放电曲线,所述第二放电曲线为放出容量最大且大于总容量5%的放电曲线。
在本公开的一些实施例中,所述判断选取出来的放电曲线是否满足预设条件,若满足,则将选取出来的放电曲线作为所述第二数据的第一部分包括:
在第二放电曲线达到第一条件时,判断是否有故障/落后单体存在;
若存在故障/落后单体,则进一步根据第二条件来判断是否需要进一步进行配组重测;
若需要进行配组重测,则将第二放电曲线作为所述第二数据的第一部分。
在本公开的一些实施例中,所述对第二数据进行分析,得到诊断结果包括:
判断第二放电曲线中是否存在小于等于参照电压的数据;
若第二放电曲线存在小于等于参照电压的数据,则从第二放电曲线中截取出满足第三条件的第三放电曲线;
判断第三放电曲线是否满足分析的标准;
若第三放电曲线满足分析的标准,则对第三放电曲线进行预测,得到最大放电时长,所述最大放电时长作为诊断结果。
在本公开的一些实施例中,所述对第三放电曲线进行预测,得到诊断结果包括:
将第三放电曲线划分为多个区间,每个区间对应采集一个电压数据点,所述电压数据点为点电压的特征电压数据点;
根据所有的电压数据点来计算得到对应的下降变化率a;
根据公式S=0.5*(a*t2),得到诊断结果,其中,S为放电结束的电压到所述第一参照电压;t为最大放电时长。
在本公开的一些实施例中,当所有的下降变化率a呈现非线性特性时,应对第三放电曲线进行修正。
在本公开的一些实施例中,在所述对第二数据进行分析,得到诊断结果之后还进行:
根据诊断结果和故障/落后单体的数量来判断蓄电池组是否具备维修价值。
根据本公开的另一方面,提供一种铅酸电池智能诊断系统,其特征在于,包括:
数据采集模块,用于采集蓄电池组的第一数据,所述第一数据包括总电流、环境温度、采集时间、总电压、单体电压/电流和放电曲线;
预处理模块,用于对第一数据进行预处理,得到预处理后的第二数据,所述第二数据包括第一部分和第二部分;
分析模块,用于对所述第二数据的第一部分进行分析,得到诊断结果。
在本公开的一些实施例中,还包括判断模块,用于根据诊断结果和故障/落后单体的数量来判断蓄电池组是否具备维修价值。
与现有技术相比,本发明的有益效果是:本公开只需要在采集数据的阶段借助一般基站维护人员去实现,无需专业人员去对数据进行分析与处理,能够自动对采集到的数据进行预测和诊断,得到电池的健康状态,整个诊断过程省时省力,保障了数据的完整性,以及保证了诊断结果的一致性和准确性。
附图说明
为了更清楚地说明本公开实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本公开铅酸电池智能诊断方法一些实施例的示意图。
图2为本公开铅酸电池智能诊断方法另一些实施例的示意图。
图3为本公开铅酸电池智能诊断系统一些实施例的示意图。
图4为本公开铅酸电池智能诊断系统另一些实施例的示意图。
具体实施方式
下面将结合本公开实施例中的附图,对本公开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公开一部分实施例,而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本公开及其应用或使用的任何限制。基于本公开中的实施例,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,都属于本公开保护的范围。
除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
同时,应当明白,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为授权说明书的一部分。
在这里示出和讨论的所有示例中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它示例可以具有不同的值。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
发明人通过研究还发现:相关技术中,铅酸电池的整个检测诊断过程耗时耗力,需专业人员实施处理,数据采集的完整性不容易得到保障,结果的一致性以及准确性依赖于专业人员的专业知识与经验。
本公上述实施例提供了一种铅酸电池智能诊断方法及系统,实现铅酸电池的智能诊断。
下面通过具体实施例对本公开进行说明。
图1为本公开铅酸电池智能诊断方法一些实施例的示意图。该方法包括以下步骤:
步骤11,采集蓄电池组的第一数据,所述第一数据包括总电流、环境温度、采集时间、总电压、单体电压/电流和放电曲线。
上述的第一数据的采集可通过便携式检测工具(例如,电池单体巡检仪),由一般基站维护人员实施在线数据采集。同时结合现场APP的SOP流程控制,从而保障采集到的检测数据的合理性与完整性。
此外,在所述对第一数据进行预处理,得到预处理后的第二数据之前还进行判断第一数据是否存在异常,保证后续的可操作性。
步骤12,对第一数据进行预处理,得到预处理后的第二数据,第二数据包括第一部分和第二部分。
在本公开的一些实施例中,步骤12可以包括:
步骤120,对单体电压/电流进行修正。由于单体反接、电流传感器反装或者采集过程中夹具的脱落均会造成数据的缺失,因此,需要对单体电压/电流进行修正,将缺失的数据拟合补齐。
步骤121,所述放电曲线的选取。
在本公开的一些实施例中,步骤121可以包括:
截取出第一放电曲线,所述第一放电曲线为电流小于零且总电压下降的放电曲线;
从所述第一放电曲线中选取出第二放电曲线,所述第二放电曲线为放出容量最大且大于总容量5%的放电曲线。
步骤122,判断选取出来的放电曲线是否满足预设条件,若满足,则将选取出来的放电曲线作为所述第二数据的第一部分。
在本公开的一些实施例中,步骤122可以包括:
在第二放电曲线达到第一条件时,判断是否有落后/故障/落后单体存在;例如,第一条件为第二放电曲线在10分钟之内降到47V以下。
若存在落后/故障/落后单体,则进一步根据第二条件来判断是否需要进一步进行配组重测,第二条件为根据放电曲线时段数量、负载电流、时长、站内电池配置容量,判断是否做站内配组或是否需要站外调配单体配组重测。
若需要进行配组重测,则将第二放电曲线作为所述第二数据的第一部分。
上述的故障单体的判定;例如,对于2V铅酸电池而言,第二放电曲线中单体电压小于1.5V或者大于2.4V对应的单体为故障单体;对于12V铅酸电池而言,第二放电曲线中单体电压小于9V或者大于14.4V对应的单体为故障单体。
上述落后单体的判定:例如,对于2V铅酸电池而言,第二放电曲线中单体电压小于平均电压0.2V或者大于1.5V对应的单体为落后单体;对于12V铅酸电池而言,第二放电曲线中单体电压小于平均电压0.6V且大于9V对应的单体为落后单体。
通过对故障单体和落后单体的判定,得到落后单体列表L1和故障单体列表L2。
步骤13,对第二数据的第一部分进行分析,得到诊断结果。
在本公开的一些实施例中,步骤13可以包括:
步骤130,判断第二放电曲线中是否存在小于等于参照电压的数据,参照电压为46.5V;
步骤131,若第二放电曲线存在小于等于参照电压的数据,则从第二放电曲线中截取出满足第三条件的第三放电曲线,第三放电曲线为电压为49V以下且电压为下降趋势至放电结束的曲线段;以49V为基准点进行截取,有利于排除放电开始电压上升的阶段,排除该阶段上的数据对计算下降变化率的影响。
判断第三放电曲线是否满足分析的标准;例如,第三放电曲线中存在有无数据(没有下降至49V)或者有数据但是数据过少(少于10分钟)或者数据足够多但电压总体趋势并非下降,则无法对第三放电曲线进行预测。
若第三放电曲线满足分析的标准,则对第三放电曲线进行预测,得到最大放电时长,所述最大放电时长作为诊断结果。
在本公开的一些实施例中,步骤131可以包括:
将第三放电曲线划分为多个区间,例如,区间数量为50个,每个区间对应采集一个电压数据点,电压数据点的点电压的特征电压作为新的电压;将第三放电曲线划分为50个区间,有利于排除电压细微波动的影响。
根据所有的电压数据点来计算得到对应的下降变化率a;
根据公式S=0.5*(a*t2),得到诊断结果,其中,S为放电结束的电压与参照电压(46.5V)之间的差值;t为最大放电时长。
进一步地,当所有的下降变化率a呈现非线性特性时,应对第三放电曲线进行修正。例如,采用二阶下降变化率来拟合,以及由功率/铅酸电池时率放电曲线来修正第三放电曲线。
此外,为了保障铅酸电池诊断的全面性,最大放电时长仅仅是作为第二数据的第一部分,诊断结果还包括安时量/瓦时量以及负载电流/功率。因此,还应对第二数据的第二部分进行分析,得到分析结果,具体步骤如下:
安时量/瓦时量的计算,安时量C=分段电流时间积分,瓦时量E=分段电流*电压时间积分。
负载电流/功率的确定;例如,当为拉闸放电时,以实测电流均值为准,功率由电流均值*电压均值确定;当为下调浮充电放电时,判断得到续航时长大于10分钟,且前3分钟内电压与所下调浮充电电压压差≥1V的数据存在10个以上,则由3分钟内满足前述条件时段数据的平均功率及电流值确定;否则,以所录入的开关电源面板负载电流值为准,功率=浮充电压*录入电流。
由上面所述,分析结果包括安时量C、瓦时量E、负载电流A以及负载功率。
图2为本公开铅酸电池智能诊断方法另一些实施例的示意图。该方法还包括以下步骤:
在所述对第二数据的第一部分进行分析,得到诊断结果之后还进行:
步骤14,根据诊断结果和故障/落后单体的数量来判断蓄电池组是否具备维修价值。
例如,当故障/落后单体数量≤2只,并且当前的最大放电时长T1>2h时,则具有维修价值。
当故障/落后单体数量≤2只,并且当前的最大放电时长<2h时,则进一步对更换故障/落后单体后的续航时长T2进行判断,若续航时长≥2h,则具有维修价值。若续航时长T2<2h,则进一步对造价A和造价B进行比较,其中,造价A为原站址电池、新增锂电池以及蓄电池共用管理器三者造价之和;造价B为更换为锂电池的费用和拆装费用之和;若A<B,则具有维修价值。
上述更换故障/落后单体后的续航时长T2进行评估的过程为:计算去除故障单体和落后单体后的单体电压平均值曲线;使用单体电压平均值曲线替换故障单体或落后单体,得到新的放电电压曲线;重新对新的放电电压曲线进行数据分析,得到续航时长T2。
当故障/落后单体数量>2只,并且当前的最大放电时长≥2h时,则具有维修价值。
通过上述方法,得出铅酸蓄电池的健康状态,可根据整改要求或目标及规则,从经济性、可实施性提出一条及以上整改/整治方案。从企业效益而言,可延长企业铅酸电池固定资产使用寿命周期,增加铅酸电池固定资产的利用率。从社会效益而言,环保、节能,减缓铅酸电池的淘汰周期,在一定窗口时间内,减少报废铅酸电池的处置带来的环境保护成本、减少电池的消耗。
本公开只需要在采集数据的阶段借助一般基站维护人员去实现,无需专业人员去对数据进行分析与处理,能够自动对采集到的数据进行预测和诊断,得到电池的健康状态,整个诊断过程省时省力,保障了数据的完整性,以及保证了诊断结果的一致性和准确性。
图3为本公开铅酸电池智能诊断系统一些实施例的示意图。如图3所示,本公开铅酸电池智能诊断系统可以包括数据采集模块51、预处理模块52和分析模块53,其中:
数据采集模块51,用于采集蓄电池组的第一数据,所述第一数据包括总电流、环境温度、采集时间、总电压、单体电压/电流和放电曲线;
预处理模块52,用于对第一数据进行预处理,得到预处理后的第二数据,第二数据包括第一部分和第二部分;
分析模块53,用于对第二数据的第一部分进行分析,得到诊断结果。
在本公开的一些实施例中,预处理模块52包括修正模块、选取模块和第一子判断模块;其中,
选取模块用于截取出第一放电曲线,所述第一放电曲线为电流小于零且总电压下降的放电曲线;从所述第一放电曲线中选取出第二放电曲线,所述第二放电曲线为放出容量最大且大于总容量5%的放电曲线。
第一子判断模块用于在第二放电曲线达到第一条件时,判断是否有落后/故障/落后单体存在;若存在落后/故障/落后单体,则进一步根据第二条件来判断是否需要进一步进行配组重测;若需要进行配组重测,则将第二放电曲线作为第二数据的第一部分。
在本公开的一些实施例中,分析模块53包括:
第二子判断模块,用于判断第二放电曲线中是否存在小于等于参照电压的数据;
截取模块,用于根据判断结果,若第二放电曲线存在小于等于参照电压的数据,则从第二放电曲线中截取出满足第三条件的第三放电曲线;
第三子判断模块,用于判断第三放电曲线是否满足分析的标准;
预测模块,用于根据判断结果,若第三放电曲线满足分析的标准,则对第三放电曲线进行预测,得到诊断结果。
图4为本公开铅酸电池智能诊断系统另一些实施例的示意图。与图3实施例相比,图4实施例中,所述铅酸电池智能诊断系统还可以包括判断模块54,其中:
判断模块54,用于根据诊断结果和故障/落后单体的数量来判断蓄电池组是否具备维修价值。
在本公开的一些实施例中,所述铅酸电池智能诊断系统可以用于执行实现如上述任一实施例(例如图1-2任一实施例)所述的铅酸电池智能诊断方法的操作。
基于本公开上述实施例提供的铅酸电池智能诊断系统,本公开只需要在采集数据的阶段借助一般基站维护人员去实现,无需专业人员去对数据进行分析与处理,能够自动对采集到的数据进行预测和诊断,得到电池的健康状态,整个诊断过程省时省力,保障了数据的完整性,以及保证了诊断结果的一致性和准确性。
至此,已经详细描述了本公开。为了避免遮蔽本公开的构思,没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述,完全可以明白如何实施这里公开的技术方案。
本公开的描述是为了示例和描述起见而给出的,而并不是无遗漏的或者将本公开限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本公开的原理和实际应用,并且使本领域的普通技术人员能够理解本公开从而设计适于特定用途的带有各种修改的各种实施例。
Claims (10)
1.一种铅酸电池智能诊断方法,其特征在于,包括:
采集蓄电池组的第一数据,所述第一数据包括总电流、环境温度、采集时间、总电压、单体电压/电流和放电曲线;
对第一数据进行预处理,得到预处理后的第二数据,所述第一数据包括第一部分和第二部分;以及,
对所述第二数据的第一部分进行分析,得到诊断结果。
2.根据权利要求1所述的铅酸电池智能诊断方法,其特征在于,所述对第一数据进行预处理,得到预处理后的第二数据包括:
对所述单体电压/电流进行修正;
所述放电曲线的选取;
判断选取出来的放电曲线是否满足预设条件,若满足,则将选取出来的放电曲线作为所述第二数据的第一部分。
3.根据权利要求2所述的铅酸电池智能诊断方法,其特征在于,所述放电曲线的选取包括:
截取出第一放电曲线,所述第一放电曲线为电流小于零且总电压下降的放电曲线;
从所述第一放电曲线中选取出第二放电曲线,所述第二放电曲线为放出容量最大且大于总容量5%的放电曲线。
4.根据权利要求3所述的铅酸电池智能诊断方法,其特征在于,所述判断选取出来的放电曲线是否满足预设条件,若满足,则将选取出来的放电曲线作为所述第二数据的第一部分包括:
在第二放电曲线达到第一条件时,判断是否有故障/落后单体存在;
若存在故障/落后单体,则进一步根据第二条件来判断是否需要进一步进行配组重测;
若需要进行配组重测,则将第二放电曲线作为所述第二数据的第一部分。
5.根据权利要求4所述的铅酸电池智能诊断方法,其特征在于,所述对第二数据的第一部分进行分析,得到诊断结果包括:
判断第二放电曲线中是否存在小于等于参照电压的数据;
若第二放电曲线存在小于等于参照电压的数据,则从第二放电曲线中截取出满足第三条件的第三放电曲线;
判断第三放电曲线是否满足分析的标准;
若第三放电曲线满足分析的标准,则对第三放电曲线进行预测,得到最大放电时长,所述最大放电时长作为诊断结果。
6.根据权利要求5所述的铅酸电池智能诊断方法,其特征在于,所述对第三放电曲线进行预测,得到诊断结果包括:
将第三放电曲线划分为多个区间,每个区间对应采集一个电压数据点,所述电压数据点为点电压的特征电压数据点;
根据所有的电压数据点来计算得到对应的下降变化率a;
根据公式S=0.5*(a*t2),得到诊断结果,其中,S为放电结束的电压与所述参照电压之间的差值;t为最大放电时长。
7.根据权利要求6所述的铅酸电池智能诊断方法,其特征在于,当所有的下降变化率a呈现非线性特性时,应对第三放电曲线进行修正。
8.根据权利要求1所述的铅酸电池智能诊断方法,其特征在于,在所述对第二数据的第一部分进行分析,得到诊断结果之后还进行:
根据诊断结果和故障/落后单体的数量来判断蓄电池组是否具备维修价值。
9.一种铅酸电池智能诊断系统,其特征在于,包括:
数据采集模块,用于采集蓄电池组的第一数据,所述第一数据包括总电流、环境温度、采集时间、总电压、单体电压/电流和放电曲线;
预处理模块,用于对第一数据进行预处理,得到预处理后的第二数据,所述第二数据包括第一部分和第二部分;
分析模块,用于对所述第二数据的第一部分进行分析,得到诊断结果。
10.根据权利要求9所述的铅酸电池智能诊断系统,其特征在于,还包括判断模块,用于根据诊断结果和故障/落后单体的数量来判断蓄电池组是否具备维修价值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210383037.1A CN114646880A (zh) | 2022-04-13 | 2022-04-13 | 一种铅酸电池智能诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210383037.1A CN114646880A (zh) | 2022-04-13 | 2022-04-13 | 一种铅酸电池智能诊断方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114646880A true CN114646880A (zh) | 2022-06-21 |
Family
ID=81997371
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210383037.1A Pending CN114646880A (zh) | 2022-04-13 | 2022-04-13 | 一种铅酸电池智能诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114646880A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102749585A (zh) * | 2011-04-21 | 2012-10-24 | 李昌 | 一种基于多层支持向量机的蓄电池在线监测方法 |
CN102914745A (zh) * | 2012-07-02 | 2013-02-06 | 北京工业大学 | 车用动力电池性能状态的评定方法 |
CN103884985A (zh) * | 2012-12-19 | 2014-06-25 | 北京创智信科科技有限公司 | 蓄电池性能的检测方法 |
CN104569844A (zh) * | 2014-12-31 | 2015-04-29 | 浙江大学宁波理工学院 | 阀控密封式铅酸蓄电池健康状态监测方法 |
CN110007239A (zh) * | 2019-04-24 | 2019-07-12 | 中富通集团股份有限公司 | 一种基于神经网络数据挖掘算法的蓄电池组预测方法和系统 |
CN113608140A (zh) * | 2021-06-25 | 2021-11-05 | 国网山东省电力公司泗水县供电公司 | 一种电池故障诊断方法及系统 |
-
2022
- 2022-04-13 CN CN202210383037.1A patent/CN114646880A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102749585A (zh) * | 2011-04-21 | 2012-10-24 | 李昌 | 一种基于多层支持向量机的蓄电池在线监测方法 |
CN102914745A (zh) * | 2012-07-02 | 2013-02-06 | 北京工业大学 | 车用动力电池性能状态的评定方法 |
CN103884985A (zh) * | 2012-12-19 | 2014-06-25 | 北京创智信科科技有限公司 | 蓄电池性能的检测方法 |
CN104569844A (zh) * | 2014-12-31 | 2015-04-29 | 浙江大学宁波理工学院 | 阀控密封式铅酸蓄电池健康状态监测方法 |
CN110007239A (zh) * | 2019-04-24 | 2019-07-12 | 中富通集团股份有限公司 | 一种基于神经网络数据挖掘算法的蓄电池组预测方法和系统 |
CN113608140A (zh) * | 2021-06-25 | 2021-11-05 | 国网山东省电力公司泗水县供电公司 | 一种电池故障诊断方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114389336B (zh) | 一种锂电池储能系统的动态管控系统 | |
Zhang et al. | Study on battery pack consistency evolutions and equilibrium diagnosis for serial-connected lithium-ion batteries | |
CN110709717B (zh) | 基于松弛电压估计移动设备的电池健康的方法 | |
JP4818808B2 (ja) | 組電池状態測定装置、組電池劣化判定方法および組電池劣化判定プログラム | |
JP5203394B2 (ja) | 蓄電池の性能を分析するためのエキスパート診断方法 | |
CN109116242B (zh) | 一种动力电池的数据处理方法和装置 | |
US20170115355A1 (en) | Maximum capacity estimator for battery state of health and state of charge determinations | |
US8340934B2 (en) | Method of performance analysis for VRLA battery | |
CN113300436A (zh) | 锂电池储能系统的动态管控方法 | |
US11099240B2 (en) | Device and method for evaluating energy storage device and evaluation system | |
CN116401585B (zh) | 一种基于大数据的储能电池失效风险评估方法 | |
CN115480180A (zh) | 一种新能源电池健康诊断分析方法 | |
CN113300437A (zh) | 锂电池储能系统的动态管控系统 | |
KR20230057894A (ko) | 배터리 팩 내의 이상 징후 셀 검출 장치 및 방법 | |
CN113657360A (zh) | 锂电池健康状态估计方法、装置、设备及可读存储介质 | |
CN112180279A (zh) | 一种退役电池健康状态诊断专家系统 | |
CN115061049A (zh) | 一种数据中心ups电池故障快速检测方法及系统 | |
CN115514068A (zh) | 一种锂电池梯次利用的电芯压差优化方法 | |
CN111551856B (zh) | 车辆蓄电池状态检测方法、装置、计算机设备和存储介质 | |
JP2001250590A (ja) | 蓄電池の劣化判定方法 | |
JP6532374B2 (ja) | 蓄電池状態分析システム、蓄電池状態分析方法および蓄電池状態分析プログラム | |
CN114152890A (zh) | 预测电池寿命的方法 | |
CN114646880A (zh) | 一种铅酸电池智能诊断方法及系统 | |
TWI810098B (zh) | 電池管理裝置、電池管理程式 | |
US20210190873A1 (en) | Automated battery reconditioning control system |
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 |