CN114814593A - 基于闵氏距离和两步检测策略的电池组多故障诊断方法 - Google Patents
基于闵氏距离和两步检测策略的电池组多故障诊断方法 Download PDFInfo
- Publication number
- CN114814593A CN114814593A CN202210466822.3A CN202210466822A CN114814593A CN 114814593 A CN114814593 A CN 114814593A CN 202210466822 A CN202210466822 A CN 202210466822A CN 114814593 A CN114814593 A CN 114814593A
- Authority
- CN
- China
- Prior art keywords
- fault
- threshold
- voltage
- distance
- cell
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (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)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明公开了基于闵氏距离和两步检测策略的电池组多故障诊断方法,包括以下步骤:S1、按照串‑并联交错电压测量设计布置传感器的位置,在不同的故障条件下,采集每个传感器测量的电压数据;S2、建立闵氏距离相似度计算公式;S3、根据闵氏距离相似度计算模型计算闵氏距离相似度,建立故障诊断策略;S4、建立基于阈值的能够区分出具有相似特征故障的隔离模型。本发明的有益效果在于:根据串‑并联电池组交错电压测量设计,可以有效地识别并定位出连接松脱故障、传感器故障和短路故障,无需复杂的电池模型,对数据依赖度低,计算量小。
Description
技术领域
本发明涉及电池技术领域,具体是新能源汽车动力电池系统故障诊断领域,尤其涉及基于闵氏距离和两步检测策略的电池组多故障诊断方法。
背景技术
动力电池是新能源汽车的核心部分。近年来由于动力电池引发的电动汽车起火事件时有发生。为了避免起火事件的发生,对电池管理系统(BMS)的故障诊断功能提出了较高的要求。由于锂离子电池高功率、高能量密度、循环寿命长、自放电率低等优点,已被应用在众多新能源汽车上。虽然锂离子电池具有许多优点且电池技术不断取得进步,但是由于使用不当或电、热和安全管理系统技术发展水平的限制,仍有可能会出现各种机、电、热滥用。因此,对电池系统故障诊断方法研究仍然有着重要的意义。
根据诊断原理不同,电池系统故障诊断方法主要可以分为三类:基于解析模型的方法、基于数据驱动的方法和基于信号统计的方法。前两种方法主要针对单体信息进行分析,无法统计不同单体之间的信息,基于信号统计的方法能够统计不同单体之间的相关信息。这几种方法都能实现常见电池系统故障的诊断,且都有各自的特点。目前,电池系统故障诊断仍然存在以下问题。
(1)模型复杂,效率低
大多数方法需要建立复杂的电池模型,对电池模型的参数进行迭代,根据估计的值和实际值进行比较,判断是否出现故障。该方法效率较为低下。
(2)数据依赖性强
各种数据驱动的方法在电池系统故障诊断中得到运用。该方法无需精确的数学模型,较为简单。然而,该类方法对数据的依赖度较高,往往需要大量的数据进行训练。
(3)计算量大,灵敏性低
基于信号统计的方法,往往需要计算任意两单体之间的相关信息,从而导致计算量大等问题,对于由成百上千电池单体构成的电池组而言,减少计算量可以大幅度提高诊断效率。
发明内容
为解决现有技术中的不足,本发明提供基于闵氏距离和两步检测策略的电池组多故障诊断方法,根据串-并联电池组交错电压测量设计,可以有效地识别并定位出连接松脱故障、传感器故障和短路故障,无需复杂的电池模型,对数据依赖度低,计算量小。
本发明为实现上述目的,采用以下技术方案:基于闵氏距离和两步检测策略的电池组多故障诊断方法,包括以下步骤:
S1、按照串-并联交错电压测量设计布置传感器的位置,在不同的故障条件下,采集每个传感器测量的电压数据;
S2、建立闵氏距离相似度计算模型;
S3、根据闵氏距离相似度计算模型计算闵氏距离相似度,建立故障诊断策略;
S4、建立基于阈值的能够区分出具有相似特征故障的隔离模型。
进一步的,S1中串-并联交错电压测量设计布置具体方法为,有m条支路,每个支路由n个电池串联,n个电池需要2n个电压传感器,Cell i,n表示第i条支路上编号为n的电池;Vi,n表示第i条支路上编号为n的传感器测量的电压值;Vbranch(i)表示第i条支路的总电压;Rn-1,n表示Cell i,n-1和Cell i,n之间所连导线的接触电阻,Vi,2n-2表示Cell i,n-1的正极和Cell i,n的正极之间的电压,Vi,2n-1表示Cell i,n-1的负极和Cell i,n的负极之间的电压。
进一步的,闵氏距离相似度计算公式为:
式中p为变参数,c(i)为独立的离散方波信号,R(A,B)为闵氏距离相似度;tA1表示采样点A第一次采样的时间,yA1表示采样点A在第一次采样的电压。
进一步的,S3中,根据采集到的电压数据,将故障诊断策略分为两步:
S3.1、计算所有相邻支路总电压之间的R,根据出现明显下降的R,定位到发生故障的支路;当无故障发生时,所有支路总电压之间的R都趋于1。当存在支路总电压之间的R发生明显的下降,根据重复的支路编号,定位发生故障的支路;
S3.2、计算故障支路上所有相邻编号传感器测量电压值之间的R,并将计算得到的R分为两个组:Rgroup1和Rgroup2,其中Rgroup1中的每个R,两个电压值中编号较小的为奇数;Rgroup2中的每个R,两个电压值中编号较小的为偶数;
S3.2.1当无故障的时候,Rgroup1和Rgroup2中的所有R都接近1;
S3.2.2当Rgroup1中有两个相邻的R发生明显的下降,判断为出现连接松脱故障;
S3.2.3当Rgroup2中有两个相邻的R发生明显的下降,判断为出现短路故障;
S3.2.4当Rgroup1和Rgroup2分别有一个R发生明显的下降,判断为出现传感器故障,并且两个R中编号相同的则为出现故障的传感器。
进一步的,设置一个用于检测连接松脱故障的阈值,所述连接松脱故障阈值低于S3.2.1中的无故障阈值,当检测到Rgroup1中R(Vi,2n-3,Vi,2n-2),R(Vi,2n-1,Vi,2n)明显下降到连接松脱故障阈值以下,其余R保持不变,代表Cell i,n-1和Cell i,n之间发生连接松脱故障;
设置一个用于检测短路故障的阈值,所述短路故障阈值低于S3.2.1中的无故障阈值,当检测到Rgroup2中的R(Vi,2n-4,Vi,2n-3)和R(Vi,2n-2,Vi,2n-1)明显下降到短路故障阈值以下,其余R保持不变,说明Cell i,n-1处于短路状态;
设置一个用于检测传感器故障的阈值,所述传感器故障阈值低于S3.2.1中的无故障阈值,当检测到分别来自Rgroup1和Rgroup2的R(Vi,n-1,Vi,n)和R(Vi,n,Vi,n+1)明显下降到传感器故障阈值以下,其余R保持不变,代表第i条支路上,序号为n的电压传感器处于故障。
进一步的,步骤S4中设置外部短路阈值,所述外部短路阈值远小于S3.2.1中的无故障阈值,当检测到Rgroup2中的R(Vi,2n-4,Vi,2n-3)和R(Vi,2n-2,Vi,2n-1)明显下降到外部短路阈值以下,说明Cell i,n-1出现了外部短路故障;当检测到Rgroup2中的R(Vi,2n-4,Vi,2n-3)和R(Vi,2n-2,Vi,2n-1)明显仅下降到短路故障阈值以下,但是远高于外部短路阈值,说明Cell i,n-1出现了内部短路故障。
对比现有技术,本发明的有益效果在于:
1、本方法可以检测出连接松脱故障、传感器故障、外部短路和内部短路故障,不需要复杂的模型,且对数据依赖度低。
2、基于闵氏距离相似度的多故障诊断,根据是否考虑时间间隔a的影响,适当调整参数p的值,使诊断效果更好。
3、对于串并联电池组,采用两步检测策略,在保证检测灵敏度的同时,减少了相似度的计算量。
附图说明
图1为本发明流程图;
图2为串-并联交错电压测量设计原理图;
图3为故障详情图。
图4为无故障发生的诊断结果图;
图5为连接松脱故障下,相邻支路总电压之间的R结果;
图6为连接松脱故障下,故障支路相邻电压之间的R结果;
图7为传感器故障下,相邻支路总电压之间的R结果;
图8为传感器故障下,故障支路相邻电压之间的R结果;
图9为内部短路故障下,相邻支路总电压之间的R结果;
图10为内部短路故障下,故障支路相邻电压之间的R结果;
图11为外部短路故障下,相邻支路总电压之间的R结果;
图12为外部短路故障下,故障支路相邻电压之间的R结果。
具体实施方式
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。
如图1所示公开了,基于闵氏距离和两步检测策略的电池组多故障诊断方法,包括以下步骤:
S1、如图2所示按照串-并联交错电压测量设计布置传感器的位置,根据串-并联交错电压测量设计布置具体方法为,有m条支路,m≥3,每个支路由n个电池串联,n≥2,n个电池需要2n个电压传感器,Cell i,n表示第i条支路上编号为n的电池;Vi,n表示第i条支路上编号为n的传感器测量的电压值;Vbranch(i)表示第i条支路的总电压;Rn-1,n表示Cell i,n-1和Cell i,n之间所连导线的接触电阻,Vi,2n-2表示Cell i,n-1的正极和Cell i,n的正极之间的电压,Vi,2n-1表示Cell i,n-1的负极和Cell i,n的负极之间的电压。其中连接松脱故障和短路故障都引起两个传感器测量的电压出现异常,传感器故障仅引起一个传感器测量的电压出现异常。
(1)当所有支路都无任何故障时,不同支路的总电压相同,同一支路不同传感器测量的电压值保持相同的变化趋势。
(2)出现故障时,发生故障的支路总电压出现明显的异常变化;无故障发生的支路总电压会出现轻微的变化,但是对于任意无故障发生的支路,其支路的2n个电压传感器测量的电压值的变化趋势一致。
(3)当Cell i,n-1发生短路故障时,Vi,2n-3和Vi,2n-2同时出现明显的异常变化,通过两异常变化的电压值显示故障特征,出现异常变化的电压中,编号较小的为奇数;
(4)当Cell i,n-1和电池Cell i,n之间发生连接松脱故障时,Vi,2n-2和Vi,2n-1同时出现明显的异常变化,通过两异常变化的电压值显示故障特征,出现异常变化的电压中,编号较小的为偶数;
(5)当支路i上的编号为n的电压传感器处于故障时,Vi,n出现明显的异常变化,而其余传感器测量电压值均正常。
于是,首先根据支路总电压的异常变化情况,可以定位出现故障的支路。对于发生故障的支路,根据该支路所有传感器测量的电压值异常情况,结合前面的理论进行反向推断,确定出具体的故障类型。若仅有一个电压值异常,说明出现了传感器故障,异常电压值所对应的传感器即为发生故障的电压传感器。若两个电压值出现异常,说明出现了连接松脱故障或者短路故障。根据两个异常电压值的编号规律区分连接松脱故障或短路故障。若两个异常电压值中编号较小的为奇数,说明是短路故障;若两个异常电压值中编号较小的为偶数,说明是连接松脱故障;故障发生位置根据异常电压值的编号,结合前面的分析进行定位。
在实验过程中分别模拟不同的故障,采集所有传感器测量的电压数据,分别模拟连接松脱故障、传感器故障、内部短路故障和外部短路故障,如图3所示。连接松脱故障是通过在Cell 1,1和Cell 1,2之间串联一系列不同值的电阻实现的,例如串联一个200mΩ或400mΩ的电阻,这两个电阻值是连接导线时内阻值的10-20倍,因此可以用来模拟连接松脱故障;传感器故障在第一条支路上编号为3的传感器上进行模拟。内部短路故障是指电池单体自身被短路,通常在电池上并联一个阻值极大的电阻来实现,例如在电池Cell 2,2上并联一个阻值为20Ω的电阻进行模拟;外部短路故障是指与电池并联的支路发生短路,通常在电池上并联一个阻值极小的电阻来实现,例如可以在Cell 2,2上并联一根导线(0mΩ)进行模拟。其中连接松脱故障和短路故障都引起两个传感器测量的电压出现异常,传感器故障仅引起一个传感器测量的电压出现异常。
S2、建立基于闵氏距离的多故障检测模型,简称检测模型;
闵可夫斯基距离(闵氏距离)不是一种具体的距离,而是一组距离的定义,两个n维变量a(x11,x12,…,x1n)与b(x21,x22,…,x2n)间的闵氏距离定义为:
其中p是一个变参数,根据p的取值不同,可以得到上述两个n维变量a和b的不同的闵氏距离表达式。
当p=1时,得到两个n维变量a,b之间的曼哈顿距离:
当p=2时,得到两个n维变量a,b之间的欧氏距离:
当p→∞时,得到两个n维变量a,b之间的切比雪夫距离:
d=max(|x1i-x2i|)
对于n维变量a和b,如果a和b的值始终相等,那么最后计算的d为0。如果在a和b在某时间段出现明显的差异,即a和b在该时间段不等,那么最后算得的d为一个大于0的值。理论分析,根据闵氏距离可以用来判断变量a和b是否一直保持相等。
但是闵氏距离用于电池系统故障诊断仍然存在一些问题。首先,电池故障是中途突然发生的,一旦发生故障,需要及时检测出来;如果按照上面的公式进行计算,仅能判断在整个时间周期内是否发生了故障,无法知道是在哪一时刻发生故障。因此,也就无法在故障发生后及时将其检测出来。此外,在串并联电池组中,无故障的时候,同一支路上不同传感器测量的电压值不是完全相等,而是始终保持相同的变化关系,即任意时刻保持相同的距离。出现故障的时候,这个距离发生明显的变化。通过上述方法计算两点的闵氏距离d显然无法检测出这种差异。
因此,需要计算任意变量其自身在某段时间的闵氏距离,同另一变量在该段时间的闵氏距离做比较。若两变量的闵氏距离始终相等,说明两变量在该时间内保持相等的变化量。若闵氏距离不等,说明出现了故障。以A,B两电压值为例,t表示时间,y表示电压,从第一个采样点到第二个采样点A,B两电压值的闵氏距离分别为:
所以,定义A,B之间的闵氏距离相似度R(A,B):
当p等于1时,
当p等于2时,
当参数p选择不同的值,可以得到不同的闵氏距离相似度的表达式。因此,在实际运用时,根据适用的情况不同,选择合适的闵氏距离相似度计算式。选择原则主要取决于时间间隔的大小,令a=t1-t2,a表示每次计算样本的时间间隔,可以通过调整p的大小,来调整a对结果的影响。当p选取为1时,a对R(A,B)无影响。当p不等于1时,a对R(A,B)有影响。在实际应用中,所有的测量值都存在测量误差。如对测量误差不加以处理,则一个较小的测量误差将会对闵氏距离相似度结果产生较大的变化。为了解决这个问题,可以在采集的电压数据上增加一个独立的离散方波信号c(i),作为一个电压的校正函数加在测量电压值上;
其中,c0取为0.05,T0取为60,因此,电压采集数据就变成了一个准方波曲线,而不是一个稳定的数字,从而使电压有较为明显的变化趋势,得到新的闵氏距离相似度计算公式:
tA1表示采样点A第一次采样的时间,yA1表示采样点A在第一次采样的电压。
S3、根据闵氏距离相似度计算公式闵氏距离相似度,建立故障诊断策略;
S3.1、计算所有相邻支路总电压之间的R,根据出现明显下降的R,定位到发生故障的支路;当无故障发生时,所有支路总电压之间的R都趋于1,如图4所示;从而确定出无故障阈值0.997,当存在支路总电压之间的R小于0.997,根据重复的支路编号,定位发生故障的支路。例如支路2出现故障,那么R(Vbranch(1),Vbranch(2))和R(Vbranch(2),Vbranch(3))将明显下降到无故障阈值0.997以下,而R(Vbranch(3),Vbranch(1))保持不变。
S3.2、计算故障支路上所有相邻编号传感器测量电压值之间的R,并将计算得到的R分为两个组:Rgroup1和Rgroup2,其中Rgroup1中的每个R,两个电压值中编号较小的为奇数;Rgroup2中的每个R,两个电压值中编号较小的为偶数;
例如:R(Vi,1,Vi,2)属于Rgroup1,而R(Vi,2,Vi,3)属于Rgroup2。
Rgroup1=[R(Vi,1,Vi,2),R(Vi,3,Vi,4),R(Vi,5,Vi,6),…,R(Vi,2n-1,Vi,2n)]
Rgroup2=[R(Vi,2,Vi,3),R(Vi,4,Vi,5),R(Vi,6,Vi,7),…,R(Vi,2n,Vi,1)]
S3.2.1当无故障的时候,Rgroup1和Rgroup2中的所有R都接近1;
S3.2.2当Rgroup1中有两个相邻的R发生明显的下降,判断为出现连接松脱故障;具体的当Cell i,n-1和Cell i,n之间发生连接松脱故障时,测量电压值Vi,2n-2和Vi,2n-1出现趋势相同的异常变化,其他测量电压无变化,所以Rgroup1中R(Vi,2n-3,Vi,2n-2),R(Vi,2n-1,Vi,2n)发生明显的下降,而R(Vi,2n-2,Vi,2n-1)由于Vi,2n-2和Vi,2n-1变化趋势相同,所以几乎不变,其余R保持不变;
S3.2.3当Rgroup2中有两个相邻的R发生明显的下降,判断为出现短路故障;具体的当电池Cell i,n-1处于短路状态时,测量电压值Vi,2n-3和Vi,2n-2出现趋势相同的异常变化,其他测量电压值无变化。所以Rgroup2中的R(Vi,2n-4,Vi,2n-3)和R(Vi,2n-2,Vi,2n-1)发生明显的下降。R(Vi,2n-3,Vi,2n-2)由于Vi,2n-3和Vi,2n-2变化趋势相同,所以几乎不变,其余R保持不变;
S3.2.4当Rgroup1和Rgroup2分别有一个R发生明显的下降,判断为出现传感器故障,并且两个R中编号相同则为出现故障的传感器,具体的当第i条支路上,序号为n的电压传感器处于故障时,测量电压值Vi,n出现异常变化,其余测量电压正常,所以分别来自Rgroup1和Rgroup2的R(Vi,n-1,Vi,n)和R(Vi,n,Vi,n+1)发生明显的下降,其余R保持不变。
为了防止误诊,设置一个用于检测连接松脱故障的阈值,所述连接松脱故障阈值为0.96、其低于S3.2.1中的无故障阈值0.997,当检测到Rgroup1中R(Vi,2n-3,Vi,2n-2),R(Vi,2n-1,Vi,2n)明显下降到连接松脱故障阈值以下,明显下降到连接松脱故障阈值以下,其余R保持不变,代表Cell i,n-1和Cell i,n之间发生连接松脱故障;
为了防止误诊,设置用于检测短路故障的阈值,所述短路故障阈值为0.994,其低于S3.2.1中的无故障阈值0.997,当检测到Rgroup2中的R(Vi,2n-4,Vi,2n-3)和R(Vi,2n-2,Vi,2n-1)明显下降到短路故障阈值以下,其余R保持不变,说明Cell i,n-1处于短路状态;
为了防止误诊,设置用于检测传感器故障的阈值,所述传感器故障阈值为0.94,其低于S3.2.1中的无故障阈值0.997,当检测到分别来自R(Vi,n-1,Vi,n)和R(Vi,n,Vi,n+1)明显下降到传感器故障阈值以下,其余R保持不变,代表第i条支路上,序号为n的电压传感器处于故障。
S4、建立基于阈值的能够区分出具有相似特征故障的隔离模型,短路故障包括外部短路和内部短路两种不同的类型,当电池Cell i,n-1处于短路状态时,外部短路和内部短路故障都是通过检测Rgroup2中的R(Vi,2n-4,Vi,2n-3)和R(Vi,2n-2,Vi,2n-1)发生明显的下降进行判断,外部短路下降的程度更大,为区分这两种不同的故障类型,引入一个额外的阈值,将额外的阈值定义为外部短路阈值,外部短路阈值为0.6,远小于短路故障阈值0.994。当检测到Rgroup2中的R(Vi,2n-4,Vi,2n-3)和R(Vi,2n-2,Vi,2n-1)明显仅下降到短路故障阈值0.994以下,但是远高于外部短路阈值0.6,说明Cell i,n-1出现了内部短路故障。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (6)
1.基于闵氏距离和两步检测策略的电池组多故障诊断方法,其特征在于,包括以下步骤:
S1、按照串-并联交错电压测量设计布置传感器的位置,在不同的故障条件下,采集每个传感器测量的电压数据;
S2、建立闵氏距离相似度计算模型;
S3、根据闵氏距离相似度计算模型计算闵氏距离相似度,建立故障诊断策略;
S4、建立基于阈值的能够区分出具有相似特征故障的隔离模型。
2.根据权利要求1所述的基于闵氏距离和两步检测策略的电池组多故障诊断方法,其特征在于:
S1中串-并联交错电压测量设计布置具体方法为,有m条支路,每个支路由n个电池串联,n个电池需要2n个电压传感器,Cell i,n表示第i条支路上编号为n的电池;Vi,n表示第i条支路上编号为n的传感器测量的电压值;Vbranch(i)表示第i条支路的总电压;Rn-1,n表示Celli,n-1和Cell i,n之间所连导线的接触电阻,Vi,2n-2表示Cell i,n-1的正极和Cell i,n的正极之间的电压,Vi,2n-1表示Cell i,n-1的负极和Cell i,n的负极之间的电压。
4.根据权利要求1所述的基于闵氏距离和两步检测策略的电池组多故障诊断方法,其特征在于,S3中,根据采集到的电压数据,将故障诊断策略分为两步:
S3.1、计算所有相邻支路总电压之间的R,根据出现明显下降的R,定位到发生故障的支路;当无故障发生时,所有支路总电压之间的R都趋于1;当存在支路总电压之间的R发生明显的下降,根据重复的支路编号,定位发生故障的支路;
S3.2、计算故障支路上所有相邻编号传感器测量电压值之间的R,并将计算得到的R分为两个组:Rgroup1和Rgroup2,其中Rgroup1中的每个R,两个电压值中编号较小的为奇数;Rgroup2中的每个R,两个电压值中编号较小的为偶数;
S3.2.1当无故障的时候,Rgroup1和Rgroup2中的所有R都接近1;
S3.2.2当Rgroup1中有两个相邻的R发生明显的下降,判断为出现连接松脱故障;
S3.2.3当Rgroup2中有两个相邻的R发生明显的下降,判断为出现短路故障;
S3.2.4当Rgroup1和Rgroup2分别有一个R发生明显的下降,判断为出现传感器故障,并且两个R中编号相同的则为出现故障的传感器。
5.根据权利要求4所述的基于闵氏距离和两步检测策略的电池组多故障诊断方法,其特征在于:
设置一个用于检测连接松脱故障的阈值,所述连接松脱故障阈值低于S3.2.1中的无故障阈值,当检测到Rgroup1中R(Vi,2n-3,Vi,2n-2),R(Vi,2n-1,Vi,2n)明显下降到连接松脱故障阈值以下,其余R保持不变,代表Cell i,n-1和Cell i,n之间发生连接松脱故障;
设置一个用于检测短路故障的阈值,所述短路故障阈值低于S3.2.1中的无故障阈值,当检测到Rgroup2中的R(Vi,2n-4,Vi,2n-3)和R(Vi,2n-2,Vi,2n-1)明显下降到短路故障阈值以下,其余R保持不变,说明Cell i,n-1处于短路状态;
设置一个用于检测传感器故障的阈值,所述传感器故障阈值低于S3.2.1中的无故障阈值,当检测到分别来自Rgroup1和Rgroup2的R(Vi,n-1,Vi,n)和R(Vi,n,Vi,n+1)明显下降到传感器故障阈值以下,其余R保持不变,代表第i条支路上,序号为n的电压传感器处于故障。
6.根据权利要求5所述的基于闵氏距离和两步检测策略的电池组多故障诊断方法,其特征在于:步骤S4中设置外部短路阈值,所述外部短路阈值远小于S3.2.1中的无故障阈值,当检测到Rgroup2中的R(Vi,2n-4,Vi,2n-3)和R(Vi,2n-2,Vi,2n-1)明显下降到外部短路阈值以下,说明Cell i,n-1出现了外部短路故障;当检测到Rgroup2中的R(Vi,2n-4,Vi,2n-3)和R(Vi,2n-2,Vi,2n-1)明显下降到短路故障阈值以下,但是远高于外部短路阈值,说明Cell i,n-1出现了内部短路故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210466822.3A CN114814593A (zh) | 2022-04-29 | 2022-04-29 | 基于闵氏距离和两步检测策略的电池组多故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210466822.3A CN114814593A (zh) | 2022-04-29 | 2022-04-29 | 基于闵氏距离和两步检测策略的电池组多故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114814593A true CN114814593A (zh) | 2022-07-29 |
Family
ID=82509512
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210466822.3A Pending CN114814593A (zh) | 2022-04-29 | 2022-04-29 | 基于闵氏距离和两步检测策略的电池组多故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114814593A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116628561A (zh) * | 2023-07-25 | 2023-08-22 | 江苏嘉杨机电配件有限公司 | 一种电子水泵智能测试系统及方法 |
-
2022
- 2022-04-29 CN CN202210466822.3A patent/CN114814593A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116628561A (zh) * | 2023-07-25 | 2023-08-22 | 江苏嘉杨机电配件有限公司 | 一种电子水泵智能测试系统及方法 |
CN116628561B (zh) * | 2023-07-25 | 2023-09-29 | 江苏嘉杨机电配件有限公司 | 一种电子水泵智能测试系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107153162B (zh) | 一种动力电池组多故障在线检测方法 | |
CN111208439B (zh) | 一种串联锂离子电池组微短路故障定量检测方法 | |
CN112147512B (zh) | 一种锂离子电池短路与滥用故障的诊断及分离方法 | |
CN114430080B (zh) | 一种基于运行数据的动力电池电芯异常自放电的识别方法 | |
CN110376530B (zh) | 电池内短路检测装置及方法 | |
CN108333548A (zh) | 绝缘电阻测量设备及故障自诊断方法 | |
CN112345955B (zh) | 一种动力电池多故障在线诊断方法与系统 | |
CN113219361B (zh) | 一种锂离子电池组异常自放电诊断方法及系统 | |
CN111239634B (zh) | 一种电池系统支路状态的检测方法及装置 | |
CN112319308B (zh) | 一种动力电池多故障检测方法与系统 | |
CN114035086B (zh) | 基于信号处理的电池组多故障诊断方法 | |
CN113866641A (zh) | 一种锂离子电池的故障检测方法及装置 | |
CN114814593A (zh) | 基于闵氏距离和两步检测策略的电池组多故障诊断方法 | |
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 | |
CN113848479B (zh) | 一种融合均衡信息的串联电池组短路及低容量故障诊断方法、系统及设备 | |
Gu et al. | A precise minor-fault diagnosis method for lithium-ion batteries based on phase plane sample entropy | |
CN116973782A (zh) | 基于机器学习的新能源汽车保养维护与故障监测诊断方法 | |
CN116827263A (zh) | 光伏电池故障检测方法、装置、计算机设备和介质 | |
CN116008847A (zh) | 一种基于车云协同下的锂离子电池在线析锂检测方法 | |
Kang et al. | Multi-fault online detection method for series-connected battery packs | |
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 | |
CN115608653A (zh) | 电池系统中异常电池单元筛选的方法及筛选装置 | |
CN113805065B (zh) | 一种基于余弦相似度的混联电池组多故障诊断方法 | |
CN114062943B (zh) | 一种锂离子电池系统极化异常预警方法及系统 | |
CN113805066B (zh) | 一种基于改进欧氏距离相似度的串联电池组多故障诊断方法 |
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 |