CN114720883A - 一种基于孤立森林算法的锂电池故障识别方法 - Google Patents
一种基于孤立森林算法的锂电池故障识别方法 Download PDFInfo
- Publication number
- CN114720883A CN114720883A CN202210620214.3A CN202210620214A CN114720883A CN 114720883 A CN114720883 A CN 114720883A CN 202210620214 A CN202210620214 A CN 202210620214A CN 114720883 A CN114720883 A CN 114720883A
- Authority
- CN
- China
- Prior art keywords
- battery
- data
- voltage
- training set
- abnormal
- 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
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]
- G01R31/389—Measuring internal impedance, internal conductance or related variables
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明属于锂电池管理技术领域，具体涉及一种基于孤立森林算法的锂电池故障识别方法。针对现有锂电池故障识别方法故障电池基础参数的获得困难的不足，本发明采用如下技术方案：一种基于孤立森林算法的锂电池故障识别方法，包括采集训练集A和训练集B的基础运行数据，训练集A包括健康电池和对健康电池进行外部短路人为模拟得到的演化性故障电池，训练集B为健康电池，基础运行数据包括电压U、温度T和阻抗Z；训练数据集，生成孤立树，形成孤立森林；异常值计算，得到临界的异常值分数SC；步骤S4、异常信息分析和处理。本发明的有益效果是：人为模拟得到演化性故障电池，从而可以快速稳定的获得所需的故障电池的基础数据。
Description
技术领域
本发明属于锂电池管理技术领域，具体涉及一种基于孤立森林算法的锂电池故障识别方法。
背景技术
目前全球新增投运的电化学储能系统中，锂离子电池装机占比超过98%。由于运行工况复杂多变，随着储能系统运行时长增加，系统内成千上万个电池个体的性能参数（如电压、内阻、容量、温度、寿命等）不一致性持续增大，性能的不一致会引起短板电池出现过充、短路、过热等隐患。电芯内部故障（如微短路）演化至一定程度时，可能造成电池失效或安全故障，而潜伏于储能系统全生命周期内的该类故障早期难以通过宏观监测参数进行故障识别，一旦突然发生故障难以及时管控，容易酿成重大损失。
现有的锂电储能系统中，安全故障的识别通过电池管理系统（BMS）完成。BMS通过采集电池和电池组的监测参数，如温度、电压、荷电状态（SOC）、电流、绝缘阻抗等，与人为设定的安全管控阈值（一般设置为三级）进行比较，当监测参数大于设置阈值时，BMS发出指令功率转换系统（PCS）减小功率或者立即关停动作，实现电气侧安全管控。然而，这种常规的故障识别方式并不能识别短板或安全隐患电池的故障恶化过程，如并联电池组内个别电池过充、微短路电池等（本质是负电极析锂造成），该类演化性的故障极有可能在演变过程突然发生严重短路。
为此，公开号为CN112906744A的中国发明专利申请公开了一种基于孤立森林算法（iForest算法）的故障单体电池识别方法，该方法利用故障单体电池的电压出现异常变化的现象，通过对电池充电过程采集到的电压数据进行深度处理，从单体电池电压数据中提取出多个反映电压信号变化特性的特征参数，包括单体电池电压的自相关系数、相邻单体电池电压的互相关系数、单体电池的三阶无量纲特征参数值、单体电池电压差异的方差、单体电池电压差异的偏度系数和单体电池电压差异的模糊熵，转化为多种特征值数列同时进行判断。该发明专利申请，基于孤立森林算法，能够快速地筛选出特征值数列中的离群点，在短时间内就可以完成一次判断，无人工干预，鲁棒性强，能够准确识别出故障单体电池，并且减少误报率。
然而，前述发明专利申请公开的方案存在以下不足：1、仅采集电压参数，电压具有局限性，仅依靠电压进行判断准确性不高；2、对如何获取故障电池并未进行说明，而孤立森林算法所需的基础数据的准确获得对于故障电池的识别是至关重要的；3、异常情况可能分多钟，仅依靠电压并不能对各异常情况进行分析。
发明内容
本发明针对现有基于孤立森林算法的锂电池故障识别方法在建立算法模型时，故障电池基础参数的获得困难的不足，提供一种基于孤立森林算法的锂电池故障识别方法，可以获得准确的健康电池和故障电池的基础数据。
为实现上述目的，本发明采用如下技术方案：一种基于孤立森林算法的锂电池故障识别方法，所述锂电池故障识别方法包括：
步骤S1，数据样本生成，包括采集训练集A和训练集B的基础运行数据，训练集A包括健康电池和由对健康电池进行外部短路人为模拟得到的演化性故障电池，训练集B全部为健康电池，基础运行数据包括电压U、温度T和阻抗Z；
步骤S2，训练数据集，生成电压孤立树iTree_U、温度孤立树iTree_T和绝缘阻抗孤立树iTree_Z，形成孤立森林；
步骤S3、异常值计算，得到对应于数据集A和数据集B的电压、温度和阻抗的临界的异常值分数S C ；
步骤S4、异常信息分析和处理。
现有技术中未说明如何得到故障单体电池数据，本发明的基于孤立森林算法的锂电池故障识别方法，通过对训练集A的电池进行外部短路，人为模拟得到演化性故障电池，从而可以快速稳定的获得所需的故障电池的基础数据；建立关于电压、温度和阻抗三个参数的孤立森林，根据电压、温度和阻抗的临界的异常值分布对异常信息进行分析和处理，得到的结果更加准确细致。数据集A用于确定健康电池的异常值分布，数据集B用于协助获取临界的异常值分数，数据集A和数据集B结合获得临界的异常值分数（还可综合考虑其它因素）。最小逻辑单体和实际监测采集的最小单体的一致。
作为改进，步骤S1中，采集的是训练集中最小逻辑单体的电压U、温度T和阻抗Z。
作为改进，步骤S1中，选择实际运行的储能系统作为训练集A，对训练集A中的部分最小逻辑单体进行外部短路，短路电阻按单日电池额定容量漏电量的1/1000、1/200和1/100进行换算，对应锂电池发生了轻微程度微短路、中度微短路、严重微电流故障；选择投运不久的储能系统作为训练集B，以防止因电池运行和老化造成的演化性故障的干扰。
作为改进，步骤S2包括以下步骤：
步骤S21、从训练集A中选取至少100个电池数据作为样本子集放入iTree的根节点，选取的电池数据包括模拟得到的故障电池的数据（单个数据为xi,，常规储能系统的单体串联数一般在100个左右）；
步骤S22、指定电压参数U i，在训练集A中，在100个电池电压数据中随机选取分割点SP_U，SP_U的值处于所选样本子集电压数据的最大值和最小值之间；
步骤S23、以分割点SP_U为界，对样本子集数据进行划分，将小于SP_U的电压数据放在当前节点的左子节点，将大于等于SP_U的电压数据放在当前节点的右子节点，形成二叉树结构；
步骤S24、以步骤S23的子节点作为根节点，递归步骤S22和步骤S23，直至子节点不可切分，即只剩下一个数据，电压孤立树iTree_U长成，达到限定高度h U，树的高度是子节点切分构成的层数；
步骤S25、仿照电压数据，选取温度和阻抗数据，循环步骤S21至步骤S24，生成温度孤立树iTree_T和阻抗孤立树iTree_Z；
步骤S26、按照以上步骤对训练集B进行训练。
作为改进，步骤S3包括：
步骤S31、将训练集的每一个数据点 x i 遍历每一颗孤立树iTree，计算得到点x i 在森林中的平均高度h(x i )，对所有点的平均高度做归一化处理，归一化公式为：
步骤32、电池的异常值分数S按如下公式计算：
其中，ζ是样本数，c（ζ）是中间变量，计算公式为：
H(ζ-1)是调和数，用ln(i) +欧拉常数来估算；
S的取值在0到1之间，靠近1时异常可能性越大，反之，靠近0时正常数据可能越大；
根据以上步骤得到对应于数据集A和数据集B的临界的电压、温度和阻抗的异常值分数S C 。
临界的异常值分数包括电压、温度和阻抗三个异常值分数。
作为改进，步骤S4中，当监测得到的目标电池的电压、温度和阻抗中的任一数据异常即S(x,n)≥S C 时，根据对应于数据集A和数据集B的临界的电压、温度和阻抗的异常值分数S，结合历史数据，依次判断是以下三种情况中的何种：一是正常运行时数据噪声引起；二是电池组内某个锂电池老化快于其它电池；三是电池发生了微短路。
作为改进，步骤S4包括：
步骤S41：对于检测出异常的目标电池，先调取目标电池近期T1的运行数据，查看异常位点的变化，若数据异常呈间歇、无序和非周期性出现，则该异常属于噪音数据，后续运行过程持续观察即可；若异常数据呈持续性、周期性出现，则进行异常原因挖掘。
作为改进，步骤S4包括：
步骤S42：对不属于噪音数据的异常电池，检验是否因电池组内老化造成的不一致性加剧，此时，调取目标电池近期T2的运行数据，抽取时间间隔前、中后段各2天的监测数据，查看多次恒流充放电过程电压截止时刻电池电压曲线，若近期T2来该异常信息对应的电池呈现出“放电过程和充电过程均比其他电池先达到截止电压”特征，且对应电池组阻抗曲线连续无异常、温度数据稍高于或等于其他电池，则判定该异常信息对应电池属于老化加快电池，无微短路故障，后续运行过程持续观察即可。
作为改进，步骤S4包括：
步骤S43：针对不符合“放电过程和充电过程均比其他电池先达到截止电压”特征的目标电池，调取目标电池近期T3的运行数据，查看多次恒流充放电过程电压截止时刻电池电压曲线，若近期T3该异常信息对应的电池逐渐呈现出“放电过程比其他电池先达到截止电压，充电过程比其他电池后达到截止电压”特征，则判定异常信息对应电池出现了微短路，隔离托管该异常电芯的所在逻辑单体或电池组，做详细检查。
作为改进，若异常信息对应电池在发生微短路故障的同时，目标电池所在电池组的阻抗曲线近期T3持续异常波动且幅值愈发增大，则判定该目标电池发生了微外部短路，否则，则判定发生了微内部短路。
作为改进，当发现老化加快现象时，标记并以告警形式提示电站维护人员，方便后续关注；发现并识别出微短路故障时，自动隔离托管对应电池组，并发指令给储能变流器PCS减功率运行。
作为改进，孤立森林算法和异常信息分析法以计算模块的形式嵌入电池管理系统或储能管理系统上位机。
作为改进，训练集A和训练集B共用电池，训练集A采集模拟故障一段时间后的数据，训练集B采用模拟故障前的数据。当然，在其它方案中，训练集A和训练集B也可以分别采集不同电池的数据。
本发明的基于孤立森林算法的锂电池故障识别方法的有益效果是：通过对训练集A的电池进行外部短路，人为模拟得到演化性故障电池，从而可以快速稳定的获得所需的故障电池的基础数据，为后续步骤提供可靠信息；建立关于电压、温度和阻抗三个参数的孤立森林，根据电压、温度和阻抗的临界的异常值分布对异常信息进行分析和处理，得到的结果更加准确细致。
附图说明
图1是本发明实施例一的锂电池故障识别方法的流程图。
图2是本发明实施例一的锂电池故障识别方法的孤立森林算法的训练和计算以及故障分析过程的流程图。
图3是本发明实施例一的锂电池故障识别方法的训练集B的实际监测电压数据。
图4是本发明实施例一的锂电池故障识别方法的训练集B的实际监测电压数据的异常值。
图5是本发明实施例一的锂电池故障识别方法的训练集A的实际监测电压数据的异常值。
图6是本发明实施例一的锂电池故障识别方法的训练集A的实际监测电压数据的异常值。
具体实施方式
下面结合本发明创造实施例的附图，对本发明创造实施例的技术方案进行解释和说明，但下述实施例仅为本发明创造的优选实施例，并非全部。基于实施方式中的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的其他实施例，都属于本发明创造的保护范围。
参见图1至图6，本发明的一种基于孤立森林算法的锂电池故障识别方法，所述锂电池故障识别方法包括：
步骤S1，数据样本生成，包括采集训练集A和训练集B的基础运行数据，训练集A包括健康电池和由对健康电池进行外部短路人为模拟得到的演化性故障电池，训练集B全部为健康电池，基础运行数据包括电压U、温度T和阻抗Z；
步骤S2，训练数据集，生成电压孤立树iTree_U、温度孤立树iTree_T和绝缘阻抗孤立树iTree_Z，形成孤立森林；
步骤S3、异常值计算，得到对应于数据集A和数据集B的电压、温度和阻抗的临界的异常值分数S C ；
步骤S4、异常信息分析和处理。
现有技术中未说明如何得到故障单体电池数据，本发明的基于孤立森林算法的锂电池故障识别方法，提供一种切实可行的故障电池基础数据获得方式，即通过对训练集A的电池进行外部短路，人为模拟得到演化性故障电池，从而可以快速稳定的获得所需的故障电池的基础数据；建立关于电压、温度和阻抗三个参数的孤立森林，根据电压、温度和阻抗的临界的异常值分布对异常信息进行分析和处理，得到的结果更加准确细致。
实施例一
参见图1至图6，本发明实施例一的一种基于孤立森林算法的锂电池故障识别方法，所述锂电池故障识别方法包括：
步骤S1，数据样本生成，包括采集训练集A和训练集B的基础运行数据，训练集A包括健康电池和由对健康电池进行外部短路人为模拟得到的演化性故障电池，训练集B全部为健康电池，基础运行数据包括电压U、温度T和阻抗Z；
步骤S2，训练数据集，生成电压孤立树iTree_U、温度孤立树iTree_T和绝缘阻抗孤立树iTree_Z，形成孤立森林；
步骤S3、异常值计算，得到对应于数据集A和数据集B的电压、温度和阻抗的临界的异常值分数S C ；
步骤S4、监测目标电池，当发现异常时进行异常信息分析和处理。
其中，训练集A和训练集B的基础运行数据为最小逻辑单体的电压U、温度T和阻抗Z。
本实施例中，步骤S1中，选择实际运行的储能系统作为训练集A，对训练集A中的部分最小逻辑单体进行外部短路，短路电阻按单日电池额定容量漏电量的1/1000、1/200和1/100进行换算，对应锂电池发生了轻微程度微短路、中度微短路、严重微电流故障；选择投运不久的储能系统作为训练集B，以防止因电池运行和老化造成的演化性故障的干扰。
本实施例中，采集电压、温度和阻抗数据而不采集电流数据，一方面是因为这三个参数最能反映个体差异，另一方面是因为较难获得均衡电流，且储能系统中荷电状态（SOC）的估算误差普遍大于8%。
本实施例中，训练集B可以调取电池管理系统采集的电池监测参数历史数据。
本实施例中，步骤S2包括以下步骤：
步骤S21、从训练集A中选取至少100个电池数据作为样本子集放入iTree的根节点，选取的电池数据包括模拟得到的故障电池的数据；
步骤S22、指定电压参数U i，在训练集A中，在100个电池电压数据中随机选取分割点SP_U，SP_U的值处于所选样本子集电压数据的最大值和最小值之间；
步骤S23、以分割点SP_U为界，对样本子集数据进行划分，将小于SP_U的电压数据放在当前节点的左子节点，将大于等于SP_U的电压数据放在当前节点的右子节点，形成二叉树结构；
步骤S24、以步骤S23的子节点作为根节点，递归步骤S22和步骤S23，直至子节点不可切分，即只剩下一个数据，电压孤立树iTree_U长成，达到限定高度h U，树的高度是子节点切分构成的层数；
步骤S25、仿照电压数据，选取温度数据T i 和阻抗数据Z i ，循环步骤S21至步骤S24，生成温度孤立树iTree_T和阻抗孤立树iTree_Z；
步骤S26、按照以上步骤对训练集B进行训练。
可以推断：因无人为故障干涉，训练集B的数据差异性不大，一致性较好，节点划分次数要远高于数据集A, 树高度也要大于数据集A。
本实施例中，步骤S3包括：
步骤S31、将训练集的每一个数据点 x i 遍历每一颗孤立树iTree，计算得到点x i 在森林中的平均高度h(x i )，对所有点的平均高度做归一化处理，归一化公式为：
步骤32、电池的异常值分数S按如下公式计算：
其中，ζ是样本数，c（ζ）是中间变量，计算公式为：
H(ζ-1)是调和数，用ln(i) +欧拉常数来估算；
S的取值在0到1之间，靠近1时异常可能性越大，反之，靠近0时正常数据可能越大；
根据以上步骤得到对应于数据集A和数据集B的临界的电压、温度和阻抗的异常值分数S C 。
针对不同材料电池、不同故障程度的电池，可以采用类似方法获得各自对应的临界的异常分数值。
本实施例中，步骤S4中，基于孤立森林算法得到临界的异常值分数后，采集目标电池参数，将采集到的电压、温度、阻抗数据转换成异常值分数，与临界的异常值分数S C 进行比较，判断本次数据集的异常性，找出异常电芯。
本实施例中，步骤S4中，根据对应于数据集A和数据集B的临界的电压、温度和阻抗的异常值分数S C ，结合历史数据，依次判断是以下三种情况中的何种：一是正常运行时数据噪声引起；二是电池组内某个锂电池老化快于其它电池；三是电池发生了微短路。
基于iForest算法的异常信息监测，能够分辨电池异常的早期症状，但不能判定是哪种故障。对于早期预警来说，储能系统监测参数异常可能是三种原因造成，一是正常运行时数据噪声引起；二是电池组内某个锂离子电池老化快于其他电池（可能原因是制造瑕疵、电流分布不均极化严重、温度分布不均极化严重等），性能参数明显低于或高于正常电池；三是电池发生了微短路（电池内部形成锂枝晶或外部有误接触形成大电阻短路）。
由于电气接触、电磁干扰、采集精度等影响产生的异常数据属于噪音数据，用iForest算法可检测出异常，但仅检出异常不能指导电站工作人员运维。
本实施例中，步骤S4包括：
步骤S41：当目标电池的电压、温度和阻抗中的任一异常时，判断为异常，对于检测出异常的目标电池，先调取目标电池近期T1（如近一周）的运行数据，查看异常位点的变化，若数据异常呈间歇、无序和非周期性出现，则该异常属于噪音数据，后续运行过程持续观察即可；若异常数据呈持续性、周期性出现，则进行异常原因挖掘。
本实施例中，步骤S4包括：
步骤S42：对不属于噪音数据的异常电池，检验是否因电池组内老化造成的不一致性加剧，此时，调取目标电池近期T2（如近1-3个月）的运行数据，抽取时间间隔前、中后段各2天的监测数据，查看多次恒流充放电过程电压截止时刻电池电压曲线，若近期T2（如近1-3个月）来该异常信息对应的电池呈现出“放电过程和充电过程均比其他电池先达到截止电压”特征，且对应电池组阻抗曲线连续无异常、温度数据稍高于或等于其他电池，则判定该异常信息对应电池属于老化加快电池，无微短路故障，后续运行过程持续观察即可。
本实施例中，步骤S4包括：
步骤S43：针对不符合“放电过程和充电过程均比其他电池先达到截止电压”特征的目标电池，调取目标电池近期T3（如近30天）的运行数据，查看多次恒流充放电过程电压截止时刻电池电压曲线，若近期T3（如近30天）该异常信息对应的电池逐渐呈现出“放电过程比其他电池先达到截止电压，充电过程比其他电池后达到截止电压”特征，则判定异常信息对应电池出现了微短路，隔离托管该异常电芯的所在逻辑单体或电池组，做详细检查。
本实施例中，若异常信息对应电池在发生微短路故障的同时，目标电池所在电池组的阻抗曲线近期T3持续异常波动且幅值愈发增大，则判定该目标电池发生了微外部短路，否则，则判定发生了微内部短路。
本实施例中，当发现老化加快现象时，标记并以告警形式提示电站维护人员，方便后续关注；发现并识别出微短路故障时，自动隔离托管对应电池组，并发指令给储能变流器PCS减功率运行。
本实施例中，孤立森林算法和异常信息分析法以计算模块的形式嵌入电池管理系统或储能管理系统上位机。
本实施例中，采用的异常信息分析法（AIA），基于储能系统的基本拓扑、硬件架构和电池特征，选用历史充放电过程参数曲线数据，甄别出个别储能电池因老化和因发生微短路造成的差异性电池性能参数（两者宏观参数的监测值上表现是一致的，iForest算法计算后异常值相当），为储能系统的安全管控提供参考。微短路故障和老化电池的特征，可以通过BMS监测的绝缘电阻、电池温度、充放电历史曲线甄别，并根据异常值指出演化程度。
参见图3至图6，本发明实施例一的应用实例。2021年12月16号至23号在实际锂电储能系统中，选取某簇磷酸铁锂电池（144串即144个电池数据）开展故障模拟实验，单体电池额定容量为220Ah。实验开始前将电阻值为25Ω、100Ω和500Ω的电阻用导线外部短接到第77号、80号和89号电芯的正负极端子上，并安装开关，模拟三个电池发生微短路故障，测试期间储能系统按照恒定功率充放电运行。
调取2021年12月16号的电压数据（对应训练集B），绘制成图，见图3，选取充电开始不久后某时刻电压值，利用孤立森林算法进行训练，算法计算后的144节单体电池电压和异常值分布见图4。由图可知，异常值大小接近（均小于0.23），未见异常。
实验持续一周，调取2021年12月23号的电压数据（对应训练集A），绘制成图，见图5，选取充电临近结束某时刻电压值，利用孤立森林算法进行训练，算法计算后的144节单体电池电压和异常值分布见图6。
由图可知，三个电池故障发生一周后，宏观监测电压的差异不足50mV，现有储能系统BMS中电池组电压差的轻微告警值一般设置为100mV~200mV，短路造成的电压差异无法通过现有技术的BMS进行监测，因此储能系统BMS并未对该故障进行告警。
由图可知，监测参数中，电压比温度更灵敏，微小短路产生的电流也不足造成过温或温差过大告警显示。
由图可知，电压异常值整体在0-0.4之间，77号故障单体电池因漏电严重，异常数值约0.33，已被识别出来。80号故障电池异常值紧随其后，约0.18，但未和其他电池异常表现出明显差异。可见，异常单体能够通过孤立森林算法监测到。
若以0.25或0.3为异常判断的阈值，可通过该算法对短路故障进行早期预警检测。
本发明实施例一的基于孤立森林算法的锂电池故障识别方法的有益效果是：通过对训练集A的电池进行外部短路，人为模拟得到演化性故障电池，从而可以快速稳定的获得所需的故障电池的基础数据；建立关于电压、温度和阻抗三个参数的孤立森林，根据电压、温度和阻抗的临界的异常值分布对异常信息进行分析和处理，得到的结果更加准确细致；经过实际验证，具有较高的可行性和可信度。
以上所述，仅为本发明创造的具体实施方式，但本发明创造的保护范围并不局限于此，熟悉该本领域的技术人员应该明白本发明创造包括但不限于上面具体实施方式中描述的内容。任何不偏离本发明创造的功能和结构原理的修改都将包括在权利要求书的范围中。
Claims (10)
1.一种基于孤立森林算法的锂电池故障识别方法，其特征在于：所述锂电池故障识别方法包括：
步骤S1，数据样本生成，包括采集训练集A和训练集B的基础运行数据，训练集A包括健康电池和由对健康电池进行外部短路人为模拟得到的演化性故障电池，训练集B全部为健康电池，基础运行数据包括电压U、温度T和阻抗Z；
步骤S2，训练数据集，生成电压孤立树iTree_U、温度孤立树iTree_T和绝缘阻抗孤立树iTree_Z，形成孤立森林；
步骤S3、异常值计算，得到对应于数据集A和数据集B的电压、温度和阻抗的临界的异常值分数S C ；
步骤S4、异常信息分析和处理。
2.根据权利要求1所述的一种基于孤立森林算法的锂电池故障识别方法，其特征在于：步骤S1中，采集的是训练集中最小逻辑单体的电压U、温度T和阻抗Z；步骤S1中，选择实际运行的储能系统作为训练集A，对训练集A中的部分最小逻辑单体进行外部短路，短路电阻按单日电池额定容量漏电量的1/1000、1/200和1/100进行换算，对应锂电池发生了轻微程度微短路、中度微短路、严重微电流故障；选择投运不久的储能系统作为训练集B，以防止因电池运行和老化造成的演化性故障的干扰；训练集A和训练集B共用电池，训练集A采集模拟故障一段时间后的数据，训练集B采用模拟故障前的数据。
3.根据权利要求1所述的一种基于孤立森林算法的锂电池故障识别方法，其特征在于：步骤S2包括以下步骤：
步骤S21、从训练集A中选取至少100个电池数据作为样本子集放入iTree的根节点，选取的电池数据包括模拟得到的故障电池的数据；
步骤S22、指定电压参数U i，在训练集A中，在100个电池电压数据中随机选取分割点SP_U，SP_U的值处于所选样本子集电压数据的最大值和最小值之间；
步骤S23、以分割点SP_U为界，对样本子集数据进行划分，将小于SP_U的电压数据放在当前节点的左子节点，将大于等于SP_U的电压数据放在当前节点的右子节点，形成二叉树结构；
步骤S24、以步骤S23的子节点作为根节点，递归步骤S22和步骤S23，直至子节点不可切分，即只剩下一个数据，电压孤立树iTree_U长成，达到限定高度h U，树的高度是子节点切分构成的层数；
步骤S25、仿照电压数据，选取温度和阻抗数据，循环步骤S21至步骤S24，生成温度孤立树iTree_T和阻抗孤立树iTree_Z；
步骤S26、按照以上步骤对训练集B进行训练。
4.根据权利要求1所述的一种基于孤立森林算法的锂电池故障识别方法，其特征在于：步骤S3包括：
步骤S31、将训练集的每一个数据点 x i 遍历每一颗孤立树iTree，计算得到点x i 在森林中的平均高度h(x i )，对所有点的平均高度做归一化处理，归一化公式为：
步骤32、电池的异常值分数S按如下公式计算：
其中，ζ是样本数，c（ζ）是中间变量，计算公式为：
H(ζ-1)是调和数，用ln(i) +欧拉常数来估算；
S的取值在0到1之间，靠近1时异常可能性越大，反之，靠近0时正常数据可能越大；
根据以上步骤得到对应于数据集A和数据集B的临界的电压、温度和阻抗的异常值分数S C 。
5.根据权利要求1所述的一种基于孤立森林算法的锂电池故障识别方法，其特征在于：步骤S4中，根据对应于数据集A和数据集B的临界的电压、温度和阻抗的异常值分数S C ，结合历史数据，依次判断是以下三种情况中的何种：一是正常运行时数据噪声引起；二是电池组内某个锂电池老化快于其它电池；三是电池发生了微短路。
6.根据权利要求5所述的一种基于孤立森林算法的锂电池故障识别方法，其特征在于：步骤S4包括：
步骤S41：当目标电池的电压、温度和阻抗中的任一异常时，判断为异常，对于检测出异常的目标电池，先调取目标电池近期T1的运行数据，查看异常位点的变化，若数据异常呈间歇、无序和非周期性出现，则该异常属于噪音数据，后续运行过程持续观察；若异常数据呈持续性、周期性出现，则进行异常原因挖掘。
7.根据权利要求6所述的一种基于孤立森林算法的锂电池故障识别方法，其特征在于：步骤S4包括：
步骤S42：对不属于噪音数据的异常电池，检验是否因电池组内老化造成的不一致性加剧，此时，调取目标电池近期T2的运行数据，抽取时间间隔前、中后段各2天的监测数据，查看多次恒流充放电过程电压截止时刻电池电压曲线，若近期T2来该异常信息对应的电池呈现出“放电过程和充电过程均比其他电池先达到截止电压”特征，且对应电池组阻抗曲线连续无异常、温度数据稍高于或等于其他电池，则判定该异常信息对应电池属于老化加快电池，无微短路故障，后续运行过程持续观察。
8.根据权利要求7所述的一种基于孤立森林算法的锂电池故障识别方法，其特征在于：步骤S4包括：
步骤S43：针对不符合“放电过程和充电过程均比其他电池先达到截止电压”特征的目标电池，调取目标电池近期T3的运行数据，查看多次恒流充放电过程电压截止时刻电池电压曲线，若近期T3该异常信息对应的电池逐渐呈现出“放电过程比其他电池先达到截止电压，充电过程比其他电池后达到截止电压”特征，则判定异常信息对应电池出现了微短路，隔离托管该异常电芯的所在逻辑单体或电池组，做详细检查。
9.根据权利要求8所述的一种基于孤立森林算法的锂电池故障识别方法，其特征在于：若异常信息对应电池在发生微短路故障的同时，目标电池所在电池组的阻抗曲线近期T3持续异常波动且幅值愈发增大，则判定该目标电池发生了微外部短路，否则，则判定发生了微内部短路。
10.根据权利要求9所述的一种基于孤立森林算法的锂电池故障识别方法，其特征在于：孤立森林算法和异常信息分析法以计算模块的形式嵌入电池管理系统或储能管理系统上位机；当发现老化加快现象时，标记并以告警形式提示电站维护人员，方便后续关注；发现并识别出微短路故障时，自动隔离托管对应电池组，并发指令给储能变流器PCS减功率运行。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210620214.3A CN114720883A (zh) | 2022-06-02 | 2022-06-02 | 一种基于孤立森林算法的锂电池故障识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210620214.3A CN114720883A (zh) | 2022-06-02 | 2022-06-02 | 一种基于孤立森林算法的锂电池故障识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114720883A true CN114720883A (zh) | 2022-07-08 |
Family
ID=82232680
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210620214.3A Pending CN114720883A (zh) | 2022-06-02 | 2022-06-02 | 一种基于孤立森林算法的锂电池故障识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114720883A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115659799A (zh) * | 2022-10-24 | 2023-01-31 | 国网浙江省电力有限公司电力科学研究院 | 一种具备阈值自适应功能的锂电储能电站故障诊断方法 |
| CN116626505A (zh) * | 2023-07-21 | 2023-08-22 | 江苏海平面数据科技有限公司 | 一种基于车联网大数据的电池组一致性异常检测方法 |
| CN117113453A (zh) * | 2023-08-28 | 2023-11-24 | 上海智租物联科技有限公司 | 基于3d与大数据技术的电池问题诊断方法及存储介质 |
-
2022
- 2022-06-02 CN CN202210620214.3A patent/CN114720883A/zh active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115659799A (zh) * | 2022-10-24 | 2023-01-31 | 国网浙江省电力有限公司电力科学研究院 | 一种具备阈值自适应功能的锂电储能电站故障诊断方法 |
| CN116626505A (zh) * | 2023-07-21 | 2023-08-22 | 江苏海平面数据科技有限公司 | 一种基于车联网大数据的电池组一致性异常检测方法 |
| CN116626505B (zh) * | 2023-07-21 | 2023-10-13 | 江苏海平面数据科技有限公司 | 一种基于车联网大数据的电池组一致性异常检测方法 |
| CN117113453A (zh) * | 2023-08-28 | 2023-11-24 | 上海智租物联科技有限公司 | 基于3d与大数据技术的电池问题诊断方法及存储介质 |
| CN117113453B (zh) * | 2023-08-28 | 2024-04-26 | 上海智租物联科技有限公司 | 基于3d与大数据技术的电池问题诊断方法及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112731159B (zh) | 一种储能电站电池舱电池故障预判及定位的方法 | |
| CN114720883A (zh) | 一种基于孤立森林算法的锂电池故障识别方法 | |
| CN114114049B (zh) | 一种基于样本迁移的锂离子电池寿命预测方法 | |
| CN111551860B (zh) | 一种基于弛豫电压特征的电池内短路诊断方法 | |
| CN111257755B (zh) | 一种预防性检测诊断电池包方法 | |
| CN112092675A (zh) | 一种电池热失控预警方法、系统及服务器 | |
| CN112946522A (zh) | 低温工况导致电池储能系统内短路故障的在线监测方法 | |
| CN112098850B (zh) | 基于sdo算法的锂离子电池电压故障诊断方法及系统 | |
| CN112327167B (zh) | 一种电池容量跳水风险评估方法及系统 | |
| CN109061495A (zh) | 一种混合储能电池组故障诊断方法 | |
| CN112906744A (zh) | 一种基于孤立森林算法的故障单体电池识别方法 | |
| CN116401585B (zh) | 一种基于大数据的储能电池失效风险评估方法 | |
| CN110888077A (zh) | 一种基于arima时间序列的锂离子电池寿命加速评估方法 | |
| Chang et al. | Electric vehicle battery pack micro-short circuit fault diagnosis based on charging voltage ranking evolution | |
| CN116643178B (zh) | 一种电池管理系统的soc估算方法及相关装置 | |
| CN113866641A (zh) | 一种锂离子电池的故障检测方法及装置 | |
| CN115219905A (zh) | 一种电池内短路在线检测方法、装置及存储介质 | |
| CN108693478A (zh) | 一种锂离子动力电池的漏液检测方法 | |
| CN116224116A (zh) | 锂离子电池析锂的检测方法 | |
| CN115061049A (zh) | 一种数据中心ups电池故障快速检测方法及系统 | |
| CN113540588A (zh) | 基于均衡电路预测电芯热失控的方法 | |
| CN114460481A (zh) | 基于Bi-LSTM和注意力机制的储能电池热失控预警方法 | |
| 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 | |
| CN117148194A (zh) | 一种电动汽车电池组故障探测方法及系统 | |
| CN116794529A (zh) | 一种电池微短路检测方法及装置 |
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 |