CN115061049A - 一种数据中心ups电池故障快速检测方法及系统 - Google Patents
一种数据中心ups电池故障快速检测方法及系统 Download PDFInfo
- Publication number
- CN115061049A CN115061049A CN202210940940.3A CN202210940940A CN115061049A CN 115061049 A CN115061049 A CN 115061049A CN 202210940940 A CN202210940940 A CN 202210940940A CN 115061049 A CN115061049 A CN 115061049A
- Authority
- CN
- China
- Prior art keywords
- battery pack
- voltage
- sample
- current
- value
- 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 55
- 238000001514 detection method Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 101
- 230000001052 transient effect Effects 0.000 claims description 88
- 230000008569 process Effects 0.000 claims description 31
- 239000013598 vector Substances 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 5
- 208000032953 Device battery issue Diseases 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000015654 memory Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 2
- 230000002159 abnormal effect Effects 0.000 description 9
- 238000012360 testing method Methods 0.000 description 9
- 230000032683 aging Effects 0.000 description 8
- 238000012163 sequencing technique Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 5
- 238000007599 discharging Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 208000015778 Undifferentiated pleomorphic sarcoma Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000004402 ultra-violet photoelectron spectroscopy 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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
-
- 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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
- G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current 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]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
-
- 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
- G01R31/40—Testing power supplies
-
- 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)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明涉及测量电变量技术领域，具体涉及一种数据中心UPS电池故障快速检测方法及系统，通过获取待检测电池组对应的电压值、暂态电流值和温度值，确定待检测电池组对应的各个运行特征矩阵，并确定各个运行特征矩阵对应的故障隐患相对等级，基于确定的故障隐患相对等级，利用趋势预测模型对待检测电池组在未来的故障隐患相对等级进行预测，并根据预测结果确定待检测电池组是否发生故障。本发明通过对待检测电池组的电变量进行测量，从而最终能够提前发现待检测电池组的负载特征是否出现故障，有效解决了现有无法快速及时对数据中心UPS电池组进行故障检测的问题。
Description
技术领域
本发明涉及测量电变量技术领域，具体涉及一种数据中心UPS电池故障快速检测方法及系统。
背景技术
数据中心不间断电源系统（Uninterruptible power system , UPS）是一种巨大规模的备用电池系统，该备用电池系统是由大量电池组和电池管理系统BMS构成，电池组又是由各个电池单元通过多串多并的方式组成，电池组的正负极受BMS监测和控制。由于电池组中的各个电池单元常年处于饱和充电状态，长时间的运行容易出现老化性损伤，若不及时检测UPS的效能变化，及时更换老化的电池单元，那么在UPS放电过程中，由于电池组内老化的电池单元可能存在压降过大，甚至让老化的电池单元部分成为用电器的情况，进而导致BMS控制失效甚至局部停机的问题。
在传统的USP测试技术体系之外，负载测试是最能够现场分析和快速检测放电过程故障隐患的方法。在对UPS进行负载测试时，一般由程控负载测试设备来完成，但是现有的程控负载测试设备无法对负载测试的过程特征进行分析，无法在全生命周期内对数据中心的大量UPS进行故障快速和及时检测。
发明内容
本发明的目的在于提供一种数据中心UPS电池故障快速检测方法及系统，用于解决现有无法及时对数据中心UPS电池进行故障检测的问题。
为解决上述技术问题，本发明提供了一种数据中心UPS电池故障快速检测方法，包括以下步骤：
获取待检测电池组的各个电池单元在当前L个第一设定时刻的电压值、待检测电池组在当前L个第一设定时刻的暂态电流值和温度值以及预先获取的各个样本运行特征矩阵、各个样本运行特征矩阵对应的故障隐患相对等级以及趋势预测模型；
根据待检测电池组的各个电池单元在当前L个第一设定时刻的电压值、待检测电池组在当前L个第一设定时刻的暂态电流值和温度值，确定待检测电池组在当前M个第二设定时刻对应的电池组电压波动频率因子、电池组电压波动幅度因子、暂态电流值波动性因子和温度波动性因子；
根据待检测电池组在当前M个第二设定时刻对应的电池组电压波动频率因子、电池组电压波动幅度因子、暂态电流值波动性因子和温度波动性因子，确定待检测电池组在当前N个第三设定时刻对应的运行特征矩阵；
将待检测电池组在当前N个第三设定时刻对应的运行特征矩阵与各个样本运行特征矩阵进行匹配，从而确定与待检测电池组在当前N个第三设定时刻对应的运行特征矩阵的相匹配的样本运行特征矩阵；
根据与待检测电池组在当前N个第三设定时刻对应的运行特征矩阵的相匹配的样本运行特征矩阵对应的故障隐患相对等级，从而对应得到待检测电池组在当前N个第三设定时刻对应的故障隐患相对等级；
将待检测电池组在当前N个第三设定时刻对应的故障隐患相对等级输入到趋势预测模型中，由趋势预测模型输出待检测电池组在未来N个第三设定时刻对应的故障隐患相对等级；
根据待检测电池组在未来N个第三设定时刻对应的故障隐患相对等级，确定待检测电池组是否发生故障。
进一步的，确定待检测电池组在当前M个第二设定时刻对应的电池组电压波动频率因子，包括：
根据待检测电池组的各个电池单元在当前L个第一设定时刻的电压值，确定待检测电池组在当前L个第一设定时刻的电池组电压极差、电池组电压方差和电池组电压最低值；
根据待检测电池组在当前L个第一设定时刻的电池组电压极差、电池组电压方差和电池组电压最低值，确定待检测电池组在当前M个第二设定时刻对应的电池组电压极差均值、电池组电压方差均值和电池组电压最低值均值；
根据待检测电池组在当前L个第一设定时刻的电池组电压极差、电池组电压方差和电池组电压最低值以及在当前M个第二设定时刻对应的电池组电压极差均值、电池组电压方差均值和电池组电压最低值均值，确定待检测电池组在当前M个第二设定时刻对应的电池组电压波动频率因子，所述电池组电压波动频率因子包括：电池组电压极差波动频率因子、电池组电压方差波动频率因子和电池组电压最低值波动频率因子。
进一步的，确定待检测电池组在当前M个第二设定时刻对应的电池组电压波动频率因子对应的计算公式为：
其中，
为待检测电池组在当前每个第二设定时刻对应的电池组电压波动频率因子中的电池组电压极差波动频率因子、电池组电压方差波动频率因子或电池组电压最低值波动频率因子，
为待检测电池组在当前每个第二设定时刻对应的第i+1个第一设定时刻的电池组电压极差、电池组电压方差或电池组电压最低值，
为待检测电池组在当前每个第二设定时刻对应的第i个第一设定时刻的电池组电压极差、电池组电压方差或电池组电压最低值，
为待检测电池组在当前每个第二设定时刻对应的第i-1个第一设定时刻的电池组电压极差、电池组电压方差或电池组电压最低值，
为待检测电池组在当前每个第二设定时刻对应的电池组电压极差均值、电池组电压方差均值或电池组电压最低值均值，
为待检测电池组在当前每个第二设定时刻对应的第一设定时刻的总数目。
进一步的，确定待检测电池组在当前M个第二设定时刻对应的电池组电压波动幅度因子，包括：
根据待检测电池组在当前L个第一设定时刻的电池组电压极差、电池组电压方差和电池组电压最低值，确定待检测电池组在当前M个第二设定时刻对应的电池组电压极差最大值、电池组电压极差最小值、电池组电压方差最大值、电池组电压方差最小值、电池组电压最低值最大值和电池组电压最低值最小值；
根据待检测电池组在当前M个第二设定时刻对应的电池组电压极差最大值、电池组电压极差最小值、电池组电压方差最大值、电池组电压方差最小值、电池组电压最低值最大值和电池组电压最低值最小值以及电池组电压极差均值、电池组电压方差均值和电池组电压最低值均值，确定待检测电池组在当前M个第二设定时刻对应的电池组电压波动幅度因子，所述电池组电压波动幅度因子包括：电池组电压极差波动幅度因子、电池组电压方差波动幅度因子和电池组电压最低值波动幅度因子。
进一步的，确定待检测电池组在当前M个第二设定时刻对应的暂态电流值波动性因子和温度波动性因子，包括：
根据待检测电池组在当前L个第一设定时刻的暂态电流值，确定待检测电池组在当前M个第二设定时刻对应的暂态电流值均值和暂态电流值方差，并计算在当前M个第二设定时刻对应的暂态电流值均值和暂态电流值方差的乘积，将暂态电流值均值和暂态电流值方差的乘积作为待检测电池组在当前M个第二设定时刻对应的暂态电流值波动性因子；
根据待检测电池组在当前L个第一设定时刻的温度值，确定待检测电池组在当前M个第二设定时刻对应的温度值方差，并将在当前M个第二设定时刻对应的温度值方差作为待检测电池组在当前M个第二设定时刻对应的温度波动性因子。
进一步的，确定待检测电池组在当前N个第三设定时刻对应的运行特征矩阵，包括：
根据待检测电池组在当前M个第二设定时刻对应的电池组电压波动频率因子、电池组电压波动幅度因子、暂态电流值波动性因子和温度波动性因子，构造待检测电池组在当前M个第二设定时刻对应的特征列向量；
根据待检测电池组在当前每个第三设定时刻对应的当前各个第二设定时刻的时间先后顺序，对当前每个第三设定时刻对应的当前各个第二设定时刻对应的特征列向量进行拼接，从而得到待检测电池组在当前N个第三设定时刻对应的运行特征矩阵。
进一步的，各个样本运行特征矩阵、各个样本运行特征矩阵对应的故障隐患相对等级以及趋势预测模型的获取过程包括：
获取数据中心UPS系统中的各个样本电池组的各个样本电池单元在X个第一设定时刻的电压值、各个样本电池组在X个第一设定时刻的暂态电流值和温度值；
根据各个样本电池组的各个样本电池单元在X个第一设定时刻的电压值、各个样本电池组在X个第一设定时刻的暂态电流值和温度值，确定各个样本电池组在Y个第二设定时刻对应的电池组电压波动频率因子、电池组电压波动幅度因子、暂态电流值波动性因子和温度波动性因子；
根据各个样本电池组在Y个第二设定时刻对应的电池组电压波动频率因子、电池组电压波动幅度因子、暂态电流值波动性因子和温度波动性因子，确定各个样本电池组在Z个第三设定时刻对应的样本运行特征矩阵；
根据各个样本电池组在Z个第三设定时刻对应的样本运行特征矩阵，分别对在每个第三设定时刻的各个样本电池组进行分簇，从而得到在Z个第三设定时刻对应的各个样本电池组簇；
根据在Z个第三设定时刻对应的各个样本电池组簇中各个样本电池组的各个样本电池单元的电压值，确定在Z个第三设定时刻对应的各个样本电池组簇的故障隐患相对等级；
根据在Z个第三设定时刻对应的各个样本电池组簇的故障隐患相对等级，确定各个样本电池组在Z个第三设定时刻对应的故障隐患相对等级，从而得到各个样本电池组对应的样本运行特征矩阵的故障隐患相对等级；
利用神经网络构建趋势预测模型，并利用各个样本电池组Z个第三设定时刻对应的故障隐患相对等级对构建的趋势预测模型进行训练，从而得到最终的趋势预测模型。
进一步的，分别对在每个第三设定时刻的各个样本电池组进行分簇，从而得到在Z个第三设定时刻对应的各个样本电池组簇，包括：
根据各个样本电池组在Z个第三设定时刻对应的样本运行特征矩阵，确定各个样本电池组在Z个第三设定时刻对应的样本运行特征矩阵的高维向量；
根据各个样本电池组在Z个第三设定时刻对应的样本运行特征矩阵的高维向量，计算在每个第三设定时刻任意两个样本电池组对应的样本运行特征矩阵之间的距离值；
根据在每个第三设定时刻的任意两个样本电池组对应的样本运行特征矩阵之间的距离值，利用密度聚类算法对在每个第三设定时刻的所有样本电池组进行聚类，从而得到在Z个第三设定时刻对应的各个样本电池组簇。
进一步的，确定在Z个第三设定时刻对应的各个样本电池组簇的故障隐患相对等级，包括：
根据在Z个第三设定时刻对应的各个样本电池组簇中各个样本电池组的各个样本电池单元的电压值，计算每个样本电池组的各个样本电池单元的电压值方差，从而得到在Z个第三设定时刻对应的各个样本电池组簇中各个样本电池组对应的各个电压值方差；
根据在Z个第三设定时刻对应的各个样本电池组簇中各个样本电池组对应的各个电压值方差，确定在Z个第三设定时刻对应的各个样本电池组簇对应的目标电压值方差；
根据在Z个第三设定时刻对应的各个样本电池组簇对应的目标电压值方差，确定在Z个第三设定时刻对应的各个样本电池组簇的故障隐患相对等级，样本电池组簇对应的目标电压值方差越小，该样本电池组簇的故障隐患相对等级越小。
本发明具有如下有益效果：首先预先获取各个样本运行特征矩阵、各个样本运行特征矩阵对应的故障隐患相对等级以及趋势预测模型，该样本运行特征矩阵可以准确表征样本电池组的运行情况，样本运行特征矩阵对应的故障隐患相对等级可以准确表征样本电池组存在故障隐患的程度，趋势预测模型可以对预测故障隐患相对等级的发展趋势进行准确评估；然后考虑到电池组负载特征的多元化，通过获取待检测电池组的电压值、暂态电流值和温度值等多项指标，进而得到待检测电池组的电池组电压波动频率因子、电池组电压波动幅度因子、暂态电流值波动性因子和温度波动性因子等多个过程特征，并基于这多个过程特征获取能够准确表征电池组的运行情况的运行特征矩阵；将运行特征矩阵与各个样本运行特征矩阵进行匹配，并根据匹配结果得到待检测电池组的各个故障隐患相对等级，这些故障隐患相对等级可以准确表征待检测电池组当前存在故障隐患的程度，然后利用趋势预测模型对待检测电池组在未来的故障隐患相对等级进行提前预测，并根据预测结果能够提前快速及时发现待检测电池组的负载特征是否出现故障，从而提前告知操作人员，减少后期的二次损失，从而做到防患于未然。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，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的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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它附图。
图1为本发明实施例的获取各个样本运行特征矩阵及其对应的故障隐患相对等级以及趋势预测模型对应的流程图；
图2为本发明实施例的对待检测电池组进行故障检测对应的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的技术方案的具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本实施例提供了一种数据中心UPS电池故障快速检测方法，该方法能够提前精确的评估发生故障的电池组，从而让从业人员及时检修，以减少电池组故障损坏的程度以及二次损失。该数据中心UPS电池故障快速检测方法主要包括两大部分：1、提前获取各个样本运行特征矩阵、各个样本运行特征矩阵对应的故障隐患相对等级以及趋势预测模型；2、基于提前获取的各个样本运行特征矩阵、各个样本运行特征矩阵对应的故障隐患相对等级以及趋势预测模型，对待检测电池组进行故障检测。
步骤S1：获取各个样本运行特征矩阵、各个样本运行特征矩阵对应的故障隐患相对等级以及趋势预测模型，其对应的流程图如图1所示，具体包括以下步骤：
步骤S11：获取数据中心UPS系统中的各个样本电池组的各个样本电池单元在X个第一设定时刻的电压值、各个样本电池组在X个第一设定时刻的暂态电流值和温度值。
在数据中心UPS包括各个电池组和配套电池管理系统BMS，每个电池组中又包括多个电池单元。根据后面待检测电池组，获取各个样本电池组，这些样本电池组与后面待检测电池组具有相同的结构，以便于后续通过对各个样本电池组进行分析，从而实现待检测电池组的故障检测。
对于各个样本电池组，监测其在一段时间内放电的过程，从而获电池组中各个样本电池单体的电压值，基于各个样本电池单体的电压值分析电压异常情况，而非设定压降异常值，这是因为各个压降难以设定，即便设定了也有可能是突发负载导致的，而这个压降对电池组影响不大，但对单个电池影响较大。另外，由于电池容易老化，尤其是铅蓄电池，电池老化就会导致电池的放电是非线性的，因此为了实现对样本电池组的电压异常分析，以便于后续更好地对待检测电池组进行故障检测，就需要大量的测试数据进行比对。
通过对各个样本电池组进行放电监测，即在各个样本电池组的各个样本电池单元上部署电压传感器，电压传感器每5秒采集一次样本电池单元的电压值，电压值的一个采集时刻对应一个第一设定时刻，从而可以获得各个样本电池组的各个样本电池单元在X个第一设定时刻的电压值，将每个样本电池单元的电压值按照时间的前后顺序进行排列，从而可以得到一个电压值序列。
通过对各个样本电池组进行放电监测，可以获取各个样本电池组的各个样本电池单元在X个第一设定时刻的电压值，虽然后续可以根据各个样本电池组的各个样本电池单元在X个第一设定时刻的电压值，确定3项电池工作状态的指标，但是考虑到电池负载特征的影响因素是多样化的，如这些影响因素可以是品控、型号、生产因素和老化因素等，因此由于电池放电不均匀所导致的电池电压不同可能是由多种因素引起的，如：1、电池老化情况不同，导致电池放电过程中的压降情况不同；2、电池缺陷导致标定后的BMS浮充终止条件不同，导致电池电压不同；3、电池的串并结构关系不同，导致电池电压不同。
由于电池负载特征的影响因素是多样化的，而对各个样本电池组进行放电监测的目的是为了观察电池组和电池单元的缺陷，故为了提高监测准确率，从而提高最终评估结果的准确性，本实施例增加了两项指标，也就是各个样本电池组的暂态电流值和温度值。
为了获取各个样本电池组的暂态电流值，将电池暂态电流传感器放置到电池组座底部，该电池暂态电流传感器能够采集整个样本电池组的暂态电流值，通过对各个样本电池组的暂态电流值进行分析，可以辅助判断BMS内部的放电特征。在采用电池暂态电流传感器对样本电池组的暂态电流值进行采集时，电池暂态电流传感器与上述的电压传感器工作同步，也就是电池暂态电流传感器在每个第一设定时刻采集一次样本电池组的暂态电流值，从而可以得到各个样本电池组在X个第一设定时刻的暂态电流值，将每个样本电池组的暂态电流值按照时间的前后顺序进行排列，从而可以得到一个暂态电流值序列。
为了获取各个样本电池组的温度值，将温度传感器放置到电池组的一侧或集成至中心位置，该温度传感器能够采集整个样本电池组的温度值。由于个别电池的内阻问题，电池组在模拟数据中心服务器的大负载情况下可能产生非正常的高温，同时异常内阻会造成BMS内的其它电池温度异常，通过对整个样本电池组的温度值进行分析，可以辅助判断样本电池组的异常情况。在采用温度传感器对样本电池组的温度值进行采集时，温度传感器与上述的电压传感器工作同步，也就是温度传感器在每个第一设定时刻采集一次样本电池组的温度值，从而可以得到各个样本电池组在X个第一设定时刻的温度值，将每个样本电池组的温度值按照时间的前后顺序进行排列，从而可以得到一个温度值序列。
考虑到对信息进行采集是在较为极端恶劣的环境中进行的，因此很有可能出现数据噪声，影响后续判断的结果，故需要把采集到的信息进行降噪与平滑处理。本实施例是使用中值滤波器滑过所有的电压值序列、暂态电流值序列和温度值序列，以减少噪声对最终的结果引起的判断误差，后续所有计算与分析都基于此中值滤波器过滤后的信息。
步骤S12：根据各个样本电池组的各个样本电池单元在X个第一设定时刻的电压值、各个样本电池组在X个第一设定时刻的暂态电流值和温度值，确定各个样本电池组在Y个第二设定时刻对应的电池组电压波动频率因子、电池组电压波动幅度因子、暂态电流值波动性因子和温度波动性因子，具体实现过程为：
步骤S121：根据各个样本电池组的各个样本电池单元在X个第一设定时刻的电压值，确定各个样本电池组在X个第一设定时刻的电池组电压极差、电池组电压方差和电池组电压最低值。
对于每个样本电池组的各个样本电池单元，计算这些样本电池单元在每一个第一设定时刻的电压极差，电压极差是指该样本电池组的样本电池单元的最大电压值与最小电压值的差值，从而可以得到该样本电池组在每一个第一设定时刻的电池组电压极差；计算这些样本电池单元在每一个第一设定时刻的电压方差，从而可以得到该样本电池组在每一个第一设定时刻的电池组电压方差；计算这些样本电池单元在每一个第一设定时刻的最小电压值，从而可以得到该样本电池组在每一个第一设定时刻的电池组电压最低值。
步骤S122：根据各个样本电池组在X个第一设定时刻的电池组电压极差、电池组电压方差和电池组电压最低值，确定各个样本电池组在Y个第二设定时刻对应的电池组电压极差均值、电池组电压方差均值和电池组电压最低值均值。
本实施例将12个连续第一设定时刻的时间序列作为一个第一滑动窗口，此时一个第一滑动窗口包括60s，每向前或者向后滑动一个第一设定时刻，即可得到一个新的第一滑动窗口。对于每一个样本电池组，基于每个第一滑动窗口内的各个第一设定时刻对应的电池组电压极差、电池组电压方差和电池组电压最低值，分别对电池组电压极差、电池组电压方差和电池组电压最低值求均值，从而可以得到每个第一滑动窗口对应的电池组电压极差均值、电池组电压方差均值和电池组电压最低值均值。将每个第一滑动窗口中的最后一个第一设定时刻作为一个第二设定时刻，并将该第一滑动窗口中的所有的第一设定时刻（包括最后一个第一设定时刻）称为该第二设定时刻对应的各个第一设定时刻，由于一个第一滑动窗口对应一个第二设定时刻，因此可以得到每个第二设定时刻对应的电池组电压极差均值、电池组电压方差均值和电池组电压最低值均值。
步骤S123：根据各个样本电池组在X个第一设定时刻的电池组电压极差、电池组电压方差和电池组电压最低值以及在Y个第二设定时刻对应的电池组电压极差均值、电池组电压方差均值和电池组电压最低值均值，确定各个样本电池组在Y个第二设定时刻对应的电池组电压波动频率因子，所述电池组电压波动频率因子包括：电池组电压极差波动频率因子、电池组电压方差波动频率因子和电池组电压最低值波动频率因子，对应的计算公式为：
其中，
为每个样本电池组在每个第二设定时刻对应的电池组电压波动频率因子中的电池组电压极差波动频率因子、电池组电压方差波动频率因子或电池组电压最低值波动频率因子，
为每个样本电池组在每个第二设定时刻对应的第i+1个第一设定时刻的电池组电压极差、电池组电压方差或电池组电压最低值，
为每个样本电池组在每个第二设定时刻对应的第i个第一设定时刻的电池组电压极差、电池组电压方差或电池组电压最低值，
为每个样本电池组在每个第二设定时刻对应的第i-1个第一设定时刻的电池组电压极差、电池组电压方差或电池组电压最低值，
为每个样本电池组在每个第二设定时刻对应的电池组电压极差均值、电池组电压方差均值或电池组电压最低值均值，
为每个样本电池组在每个第二设定时刻对应的第一设定时刻的总数目，本实施例中
。
根据上述的每个样本电池组在每个第二设定时刻对应的电池组电压波动频率因子
的表达式可知，该波动频率因子
与每个第二设定时刻对应的第一滑动窗口内每个第一设定时刻的电压参数和前一个第一设定时刻的电压参数的差值绝对值以及和后一个第一设定时刻的电压参数的差值绝对值有关，同时与每个第二设定时刻对应的第一滑动窗口内电压参数的平均值有关，这里的电压参数是指电池组电压极差、电池组电压方差或电池组电压最低值，当各相邻的两个差值绝对值相差较大且电压参数的平均值较大时，该波动频率因子
的取值就越大，意味着样本电池组的电压波动越频繁，这很可能是电极老化导致的放电不均匀，此种情况下很有可能出现负载特征异常。
步骤S124：根据各个样本电池组在X个第一设定时刻的电池组电压极差、电池组电压方差和电池组电压最低值，确定各个样本电池组在Y个第二设定时刻对应的电池组电压极差最大值、电池组电压极差最小值、电池组电压方差最大值、电池组电压方差最小值、电池组电压最低值最大值和电池组电压最低值最小值。
对于每一个样本电池组，根据该样本电池组在每一个第二设定时刻对应的各个第一设定时刻的电池组电压极差、电池组电压方差和电池组电压最低值，也就是根据该样本电池组在每一个第一滑动窗口中的所有第一设定时刻的电池组电压极差、电池组电压方差和电池组电压最低值，分别确定该第一滑动窗口中的所有电池组电压极差的最大值和最小值，所有电池组电压方差的最大值和最小值，所有电池组电压最低值的最大值和最小值，从而得到该第一滑动窗口对应的电池组电压极差最大值、电池组电压极差最小值、电池组电压方差最大值、电池组电压方差最小值、电池组电压最低值最大值和电池组电压最低值最小值，由于每个第一滑动窗口对应一个第二设定时刻，因此可以得到在每一个第二设定时刻对应的电池组电压极差最大值、电池组电压极差最小值、电池组电压方差最大值、电池组电压方差最小值、电池组电压最低值最大值和电池组电压最低值最小值。
步骤S125：根据各个样本电池组在Y个第二设定时刻对应的电池组电压极差最大值、电池组电压极差最小值、电池组电压方差最大值、电池组电压方差最小值、电池组电压最低值最大值和电池组电压最低值最小值以及电池组电压极差均值、电池组电压方差均值和电池组电压最低值均值，确定各个样本电池组在Y个第二设定时刻对应的电池组电压波动幅度因子，所述电池组电压波动幅度因子包括：电池组电压极差波动幅度因子、电池组电压方差波动幅度因子和电池组电压最低值波动幅度因子，对应的计算公式为：
其中，
为每个样本电池组在每个第二设定时刻对应的电池组电压波动幅度因子中的电池组电压极差波动幅度因子、电池组电压方差波动幅度因子或电池组电压最低值波动幅度因子，
为每个样本电池组在每个第二设定时刻对应的电池组电压极差最大值、电池组电压方差最大值或电池组电压最低值最大值，
为每个样本电池组在每个第二设定时刻对应的电池组电压极差最小值、电池组电压方差最小值或电池组电压最低值最小值，
每个样本电池组在每个第二设定时刻对应的电池组电压极差均值、电池组电压方差均值或电池组电压最低值均值。
根据上述的每个样本电池组在每个第二设定时刻对应的电池组电压波动幅度因子
的表达式可知，该波动幅度因子
为每个第二设定时刻对应的第一滑动窗口内每个第一设定时刻的指标最大值和指标最小值的差值与指标最大值和指标均值差值的比值，这里的指标是指电池组电压极差、池组电压方差或电池组电压最低值，当该波动幅度因子
越大时，意味着样本电池组的波动幅度越大。
步骤S126：根据各个样本电池组在X个第一设定时刻的暂态电流值，确定各个样本电池组在Y个第二设定时刻对应的暂态电流值均值和暂态电流值方差，并计算在Y个第二设定时刻对应的暂态电流值均值和暂态电流值方差的乘积，将暂态电流值均值和暂态电流值方差的乘积作为各个样本电池组在Y个第二设定时刻对应的暂态电流值波动性因子。
对于每一个样本电池组，根据该样本电池组在每一个第二设定时刻对应的各个第一设定时刻的暂态电流值，也就是根据该样本电池组在每一个第一滑动窗口中的所有第一设定时刻的暂态电流值，计算该第一滑动窗口中的所有第一设定时刻的暂态电流值的均值，从而得到该第一滑动窗口对应的暂态电流值均值，由于每个第一滑动窗口对应一个第二设定时刻，因此可以得到在每个第二设定时刻对应的暂态电流值均值。同时，根据该样本电池组在每一个第一滑动窗口中的所有第一设定时刻的暂态电流值，计算该第一滑动窗口中的所有第一设定时刻的暂态电流值的方差，从而得到该第一滑动窗口对应的暂态电流值方差，最终得到在每个第二设定时刻对应的暂态电流值方差。
对于每一个样本电池组，计算该样本电池组在每个第二设定时刻对应的暂态电流值均值和暂态电流值方差的乘积，并将该乘积作为该样本电池组在对应第二设定时刻对应的暂态电流值波动性因子。
步骤S127：根据各个样本电池组在X个第一设定时刻的温度值，确定各个样本电池组在Y个第二设定时刻对应的温度值方差，并将在Y个第二设定时刻对应的温度值方差作为各个样本电池组在Y个第二设定时刻对应的温度波动性因子。
对于每一个样本电池组，根据该样本电池组在每一个第二设定时刻对应的各个第一设定时刻的温度值，也就是根据该样本电池组在每一个第一滑动窗口中的所有第一设定时刻的温度值，计算该第一滑动窗口中的所有第一设定时刻的温度值的方差，从而得到该第一滑动窗口对应的温度值方差，由于每个第一滑动窗口对应一个第二设定时刻，因此可以得到在每个第二设定时刻对应的温度值方差，并将该温度值方差作为该样本电池组在对应第二设定时刻对应的温度波动性因子。
通过上述步骤S12，对于每一个样本电池组，在每一个第二设定时刻可以对应得到8个运行特征，分别为电池组电压极差波动频率因子、电池组电压方差波动频率因子、电池组电压最低值波动频率因子、电池组电压极差波动幅度因子、电池组电压方差波动幅度因子、电池组电压最低值波动幅度因子、暂态电流值波动性因子和温度波动性因子，将这8个运行特征分别记作A1、A2、A3、B1、B2、B3、C1和C2。
步骤S13：根据各个样本电池组在Y个第二设定时刻对应的电池组电压波动频率因子、电池组电压波动幅度因子、暂态电流值波动性因子和温度波动性因子，确定各个样本电池组在Z个第三设定时刻对应的样本运行特征矩阵，各个样本电池组在Z个第三设定时刻对应的样本运行特征矩阵即为要获取的各个样本运行特征矩阵。
基于上述步骤S12得到的每一个样本电池组在每一个第二设定时刻对应的8个运行特征，构造运行情况的样本运行特征矩阵，具体构建方式为：
步骤S131：根据各个样本电池组在Y个第二设定时刻对应的电池组电压波动频率因子、电池组电压波动幅度因子、暂态电流值波动性因子和温度波动性因子，构造各个样本电池组在Y个第二设定时刻对应的特征列向量。
对于每个样本电池组，其在每个第二设定时刻均对应8个运行特征A1、A2、A3、B1、B2、B3、C1和C2，将这8个运行特征按照设定顺序构成一个特征列向量，从在每一个第二设定时刻均可对应得到一个特征列向量。
步骤S132：根据各个样本电池组在每个第三设定时刻对应的各个第二设定时刻的时间先后顺序，对每个第三设定时刻对应的各个第二设定时刻对应的特征列向量进行拼接，从而得到各个样本电池组在Z个第三设定时刻对应的样本运行特征矩阵。
本实施例将8个连续第二设定时刻的时间序列作为一个第二滑动窗口，此时一个第二滑动窗口包括40s，每向前或者向后滑动一个第二设定时刻，即可得到一个新的第二滑动窗口。对于每个样本电池组，基于每个第二滑动窗口内的各个第二设定时刻对应的特征列向量，按照各个第二设定时刻从前到后的时间顺序，将这些特征列向量进行拼接以构成一个样本运行特征矩阵，从而每个第二滑动窗口均可得到一个样本运行特征矩阵，对应的表达式为：
其中，U为每个样本电池组的每个第二滑动窗口对应的样本运行特征矩阵，样本运行特征矩阵中的列为每个样本电池组的每个第二滑动窗口中的每个第二设定时刻所对应的特征列向量。
在得到每个样本电池组的每个第二滑动窗口对应的样本运行特征矩阵之后，将每个第二滑动窗口中的最后一个第二设定时刻作为一个第三设定时刻，并将该第二滑动窗口中的所有的第二设定时刻（包括最后一个第二设定时刻）称为该第三设定时刻对应的各个第二设定时刻，由于一个第二滑动窗口对应一个第三设定时刻，因此可以得到每个第三设定时刻对应的样本运行特征矩阵。
至此，数据中心UPS系统中各个样本电池组的样本运行特征矩阵构建完成，构建此样本运行特征矩阵的目的是为了将负载特征因素和各电池组暂态电流、温度因素相结合，计算过程特征，最终得到一个准确度更高、信息更严谨、代表性更强的运行情况的运行特征矩阵，进而可以根据此运行特征矩阵分析电池组负载特征是否异常。
步骤S14：根据各个样本电池组在Z个第三设定时刻对应的样本运行特征矩阵，分别对在每个第三设定时刻的各个样本电池组进行分簇，从而得到在Z个第三设定时刻对应的各个样本电池组簇。
因数据中心UPS系统内的各电池组较多、并且体系结构较大、运行工况较为复杂，故各电池组的状态会有所差别，为了提高最终评估结果的准确性，需要将当下不同的电池组情况给区分开，区分开的方法是根据上述构建的运行特征矩阵U进行聚类，具体实现过程如下：
步骤S141：根据各个样本电池组在Z个第三设定时刻对应的样本运行特征矩阵，确定各个样本电池组在Z个第三设定时刻对应的样本运行特征矩阵的高维向量。
在每一个第三设定时刻，根据各个样本电池组对应的样本运行特征矩阵，将每个样本电池组对应的样本运行特征矩阵逐行展平为64维的高维向量，从而可以得到各个样本电池组对应的高维向量，该高维向量用于在放电瞬态过程的特征空间中表示各个电池组放电过程的特征。
步骤S142：根据各个样本电池组在Z个第三设定时刻对应的样本运行特征矩阵的高维向量，计算在每个第三设定时刻任意两个样本电池组对应的样本运行特征矩阵之间的距离值，对应的计算公式为：
D(
,
)=1-cos(
,
)
其中，D(
,
)为在每个第三设定时刻任意两个样本电池组对应的样本运行特征矩阵
和
之间的距离值，
为在每个第三设定时刻任意两个样本电池组对应的样本运行特征矩阵
的高维向量，
为在每个第三设定时刻任意两个样本电池组对应的样本运行特征矩阵
的高维向量，cos为余弦函数，样本运行特征矩阵
的高维向量
与样本运行特征矩阵
的高维向量
越相似，余弦函数值越贴近于1，此时样本运行特征矩阵
和
的距离越小，反之余弦函数值越贴近于0，此时样本运行特征矩阵
和
的距离越大。
步骤S143：根据在每个第三设定时刻的任意两个样本电池组对应的样本运行特征矩阵之间的距离值，利用密度聚类算法对在每个第三设定时刻的所有样本电池组进行聚类，从而得到在Z个第三设定时刻对应的各个样本电池组簇。
在每一个第三设定时刻，根据任意两个样本电池组对应的样本运行特征矩阵之间的距离值，使用基于密度的聚类算法对所有的样本电池组进行聚类，在本实施例中，所使用的基于密度的聚类算法为OPTICS(Ordering points to identify the clusteringstructure)聚类算法，从而得到各个样本电池组簇。在每一个样本电池组簇中，各个样本电池组具有相似的放电过程。
步骤S15：根据在Z个第三设定时刻对应的各个样本电池组簇中各个样本电池组的各个样本电池单元的电压值，确定在Z个第三设定时刻对应的各个样本电池组簇的故障隐患相对等级。
步骤S151：根据在Z个第三设定时刻对应的各个样本电池组簇中各个样本电池组的各个样本电池单元的电压值，计算每个样本电池组的各个样本电池单元的电压值方差，从而得到在Z个第三设定时刻对应的各个样本电池组簇中各个样本电池组对应的各个电压值方差。
在每一个第三设定时刻，对于每一个样本电池组簇，计算该样本电池组簇中每个样本电池组中的各个样本电池单元的电压值的方差，从而得到该样本电池组簇中每个样本电池组对应的电压值方差。
步骤S152：根据在Z个第三设定时刻对应的各个样本电池组簇中各个样本电池组对应的各个电压值方差，确定在Z个第三设定时刻对应的各个样本电池组簇对应的目标电压值方差。
在每一个第三设定时刻，对于每一个样本电池组簇，取该样本电池组簇对应的所有电压值方差的中值，由于该中值代表了该样本电池组簇的典型电压方差，因此将该中值作为该样本电池组簇对应的目标电压值方差。
步骤S153：根据在Z个第三设定时刻对应的各个样本电池组簇对应的目标电压值方差，确定在Z个第三设定时刻对应的各个样本电池组簇的故障隐患相对等级，样本电池组簇对应的目标电压值方差越小，该样本电池组簇的故障隐患相对等级越小。
在每一个第三设定时刻，根据各个样本电池组簇对应的目标电压值方差，按照目标电压值方差从小到大的顺序，对各个样本电池组簇进行排序，从而得到各个样本电池组簇对应的排序序号，对各个样本电池组簇对应的排序序号进行归一化，归一化之后的所有排序序号的累加和为1，并将归一化之后的排序序号作为对应样本电池组簇的故障隐患相对等级W。当样本电池组簇的故障隐患相对等级W越小时，代表该样本电池组簇中各个样本电池组的电压压差越小，越符合数据中心UPS系统运行时的状态较优的情况。
步骤S16：根据在Z个第三设定时刻对应的各个样本电池组簇的故障隐患相对等级，确定各个样本电池组在Z个第三设定时刻对应的故障隐患相对等级，从而得到各个样本电池组对应的样本运行特征矩阵的故障隐患相对等级，各个样本电池组对应的样本运行特征矩阵的故障隐患相对等级即为要获取的各个样本运行特征矩阵对应的故障隐患相对等级。
在每一个第三设定时刻，由于每个样本电池组簇都有其对应的故障隐患相对等级，此时将该故障隐患相对等级直接作为该样本电池组簇中各个样本电池组的故障隐患相对等级。按照这种方式，可以确定各个样本电池组在每一个第三设定时刻对应的故障隐患相对等级。由于各个样本电池组在每一个第三设定时刻均对应一个样本运行特征矩阵，因此该故障隐患相对等级也可以看作是各个样本电池组对应的样本运行特征矩阵的故障隐患相对等级。
步骤S17：利用神经网络构建趋势预测模型，并利用各个样本电池组Z个第三设定时刻对应的故障隐患相对等级对构建的趋势预测模型进行训练，从而得到最终的趋势预测模型，最终的趋势预测模型即为要获取的趋势预测模型。
在通过上述步骤S16得到各个样本电池组在每一个第三设定时刻对应的故障隐患相对等级W之后，对于每一个样本电池组，按照各个第三设定时刻从前往后的时间顺序，将该样本电池组应的故障隐患相对等级W进行排序，从而得到该样本电池组对应的故障隐患相对等级序列。在此基础上，为了便于后续对待检测电池组的故障隐患相对等级W进行预测，以实现对待检测电池组的故障检测，本实施例构建了趋势预测模型，具体构建过程为：
长短期记忆网络（LSTM，Long Short-Term Memory）是一种时间循环神经网络，利用该LSTM网络初步构建实质上是一种时序预测模型的趋势预测模型，由于该构建过程的具体实现步骤属于现有技术，此处不再赘述。在初步构建好该趋势预测模型之后，利用每个样本电池组对应的故障隐患相对等级序列对该趋势预测模型进行训练，从而得到最终训练好的趋势预测模型。在利用每个样本电池组对应的故障隐患相对等级序列对该趋势预测模型进行训练时，趋势预测模型根据故障隐患相对等级序列中的每连续N个故障隐患相对等级，对后面的每连续N个故障隐患相对等级进行预测，本实施例设置N=5，并将预测值与序列中的实际值进行比较，并根据比较结果对趋势预测模型中的参数进行调整，直至达到收敛。由于对趋势预测模型进行训练的具体实现过程属于现有技术，此处对其技术实现细节不再做详细描述。
步骤S2：基于提前获取的各个样本运行特征矩阵、各个样本运行特征矩阵对应的故障隐患相对等级以及趋势预测模型，对待检测电池组进行故障检测，其对应的流程图如图2所示，具体包括以下步骤：
步骤S21：获取待检测电池组的各个电池单元在当前L个第一设定时刻的电压值、待检测电池组在当前L个第一设定时刻的暂态电流值和温度值以及预先获取的各个样本运行特征矩阵、各个样本运行特征矩阵对应的故障隐患相对等级以及趋势预测模型。
由于步骤S21中获取待检测电池组的各个电池单元在当前L个第一设定时刻的电压值、待检测电池组在当前L个第一设定时刻的暂态电流值和温度值的具体过程，与上述步骤S11中获取各个样本电池组的各个样本电池单元在X个第一设定时刻的电压值、各个样本电池组在X个第一设定时刻的暂态电流值和温度值的过程完全相同，且各个样本运行特征矩阵、各个样本运行特征矩阵对应的故障隐患相对等级以及趋势预测模型的具体获取过程也已在上述步骤S11- S17中进行了详细描述，此处对该步骤S21不再做具体描述。
步骤S22：根据待检测电池组的各个电池单元在当前L个第一设定时刻的电压值、待检测电池组在当前L个第一设定时刻的暂态电流值和温度值，确定待检测电池组在当前M个第二设定时刻对应的电池组电压波动频率因子、电池组电压波动幅度因子、暂态电流值波动性因子和温度波动性因子。
其中，确定待检测电池组在当前M个第二设定时刻对应的电池组电压波动频率因子，包括：
根据待检测电池组的各个电池单元在当前L个第一设定时刻的电压值，确定待检测电池组在当前L个第一设定时刻的电池组电压极差、电池组电压方差和电池组电压最低值；
根据待检测电池组在当前L个第一设定时刻的电池组电压极差、电池组电压方差和电池组电压最低值，确定待检测电池组在当前M个第二设定时刻对应的电池组电压极差均值、电池组电压方差均值和电池组电压最低值均值；
根据待检测电池组在当前L个第一设定时刻的电池组电压极差、电池组电压方差和电池组电压最低值以及在当前M个第二设定时刻对应的电池组电压极差均值、电池组电压方差均值和电池组电压最低值均值，确定待检测电池组在当前M个第二设定时刻对应的电池组电压波动频率因子，所述电池组电压波动频率因子包括：电池组电压极差波动频率因子、电池组电压方差波动频率因子和电池组电压最低值波动频率因子。
确定待检测电池组在当前M个第二设定时刻对应的电池组电压波动频率因子对应的计算公式为：
其中，
为待检测电池组在当前每个第二设定时刻对应的电池组电压波动频率因子中的电池组电压极差波动频率因子、电池组电压方差波动频率因子或电池组电压最低值波动频率因子，
为待检测电池组在当前每个第二设定时刻对应的第i+1个第一设定时刻的电池组电压极差、电池组电压方差或电池组电压最低值，
为待检测电池组在当前每个第二设定时刻对应的第i个第一设定时刻的电池组电压极差、电池组电压方差或电池组电压最低值，
为待检测电池组在当前每个第二设定时刻对应的第i-1个第一设定时刻的电池组电压极差、电池组电压方差或电池组电压最低值，
为待检测电池组在当前每个第二设定时刻对应的电池组电压极差均值、电池组电压方差均值或电池组电压最低值均值，
为待检测电池组在当前每个第二设定时刻对应的第一设定时刻的总数目。
由于该确定待检测电池组在当前M个第二设定时刻对应的电池组电压波动频率因子的具体过程，与上述步骤S12中确定各个样本电池组在Y个第二设定时刻对应的电池组电压波动频率因子的过程完全相同，此处对确定待检测电池组在当前M个第二设定时刻对应的电池组电压波动频率因子的具体过程不再做具体描述。
其中，确定待检测电池组在当前M个第二设定时刻对应的电池组电压波动幅度因子，包括：
根据待检测电池组在当前L个第一设定时刻的电池组电压极差、电池组电压方差和电池组电压最低值，确定待检测电池组在当前M个第二设定时刻对应的电池组电压极差最大值、电池组电压极差最小值、电池组电压方差最大值、电池组电压方差最小值、电池组电压最低值最大值和电池组电压最低值最小值；
根据待检测电池组在当前M个第二设定时刻对应的电池组电压极差最大值、电池组电压极差最小值、电池组电压方差最大值、电池组电压方差最小值、电池组电压最低值最大值和电池组电压最低值最小值以及电池组电压极差均值、电池组电压方差均值和电池组电压最低值均值，确定待检测电池组在当前M个第二设定时刻对应的电池组电压波动幅度因子，所述电池组电压波动幅度因子包括：电池组电压极差波动幅度因子、电池组电压方差波动幅度因子和电池组电压最低值波动幅度因子。
确定待检测电池组在当前M个第二设定时刻对应的电池组电压波动幅度因子对应的计算公式为：
其中，
为待检测电池组在当前每个第二设定时刻对应的电池组电压波动幅度因子中的电池组电压极差波动幅度因子、电池组电压方差波动幅度因子或电池组电压最低值波动幅度因子，
为待检测电池组在当前每个第二设定时刻对应的电池组电压极差最大值、电池组电压方差最大值或电池组电压最低值最大值，
为待检测电池组在当前每个第二设定时刻对应的电池组电压极差最小值、电池组电压方差最小值或电池组电压最低值最小值，
待检测电池组在当前每个第二设定时刻对应的电池组电压极差均值、电池组电压方差均值或电池组电压最低值均值。
由于该确定待检测电池组在当前M个第二设定时刻对应的电池组电压波动幅度因子的具体过程，与上述步骤S12中确定各个样本电池组在Y个第二设定时刻对应的电池组电压波动幅度因子的过程完全相同，此处对确定待检测电池组在当前M个第二设定时刻对应的电池组电压波动幅度因子的具体过程不再做具体描述。
步骤S23：根据待检测电池组在当前M个第二设定时刻对应的电池组电压波动频率因子、电池组电压波动幅度因子、暂态电流值波动性因子和温度波动性因子，确定待检测电池组在当前N个第三设定时刻对应的运行特征矩阵。
由于步骤S23中确定待检测电池组在当前N个第三设定时刻对应的运行特征矩阵的具体过程，与上述步骤S13中确定各个样本电池组在Z个第三设定时刻对应的样本运行特征矩阵的过程完全相同，此处对该步骤S23不再做具体描述。需要指出的是，这里的第三设定时刻的数目N就是指上述步骤S17中对趋势预测模型进行训练时所对应的故障隐患相对等级的数目N。
步骤S24：将待检测电池组在当前N个第三设定时刻对应的运行特征矩阵与各个样本运行特征矩阵进行匹配，从而确定与待检测电池组在当前N个第三设定时刻对应的特征矩阵运行特征矩阵的相匹配的样本运行特征矩阵。
对于待检测电池组在当前每个第三设定时刻对应的运行特征矩阵，将该运行特征矩阵与各个样本运行特征矩阵进行匹配，在各个样本运行特征矩阵中找到与该运行特征矩阵最相似或接近的样本运行特征矩阵，并将与该运行特征矩阵最相似或接近的样本运行特征矩阵作为与该运行特征矩阵的相匹配的样本运行特征矩阵。由于将每个运行特征矩阵与各个样本运行特征矩阵进行匹配的具体实现过程属于现有技术，此处不再赘述。
步骤S25：根据与待检测电池组在当前N个第三设定时刻对应的运行特征矩阵的相匹配的样本运行特征矩阵对应的故障隐患相对等级，从而对应得到待检测电池组在当前N个第三设定时刻对应的故障隐患相对等级。
由于每个样本运行特征矩阵都有其对应的故障隐患相对等级，对于待检测电池组的每个运行特征矩阵，将该运行特征矩阵的相匹配的样本运行特征矩阵对应的故障隐患相对等级直接作为该运行特征矩阵的故障隐患相对等级，从而得到待检测电池组的每个运行特征矩阵对应的故障隐患相对等级。又因为待检测电池组的每个运行特征矩阵均对应一个第三设定时刻，因此可以得到待检测电池组在当前N个第三设定时刻对应的故障隐患相对等级。
步骤S26：将待检测电池组在当前N个第三设定时刻对应的故障隐患相对等级输入到趋势预测模型中，由趋势预测模型输出待检测电池组在未来N个第三设定时刻对应的故障隐患相对等级。
基于待检测电池组在当前N个第三设定时刻对应的故障隐患相对等级，按照当前N个第三设定时刻对应的时间先后顺序，将这些N个故障隐患相对等级进行排序，并将排序后得到的故障隐患相对等级序列输入到趋势预测模型，由趋势预测模型对下面的N个故障隐患相对等级进行预测。
步骤S27：根据待检测电池组在未来N个第三设定时刻对应的故障隐患相对等级，确定待检测电池组是否发生故障。
设置故障隐患相对等级阈值，该阈值可以根据试验数据进行合理设定。将待检测电池组在未来每个第三设定时刻对应的故障隐患相对等级与该阈值进行比较，当连续多个故障隐患相对等级大于该阈值时，如连续3个故障隐患相对等级大于该阈值时，则认为待检测电池组的负载特征出现了异常，此时判定待检测电池组发生故障。
本实施例还提供了一种数据中心UPS电池故障快速检测系统，包括处理器和存储器，处理器用于处理存储在存储器中的指令，其目的是实现上述的数据中心UPS电池故障快速检测方法，由于该检测方法已经在上述内容中进行了详细介绍，此处对该检测系统不再做赘述。
本发明首先预先获取各个样本运行特征矩阵、各个样本运行特征矩阵对应的故障隐患相对等级以及趋势预测模型，该样本运行特征矩阵可以准确表征样本电池组的运行情况，样本运行特征矩阵对应的故障隐患相对等级可以准确表征样本电池组存在故障隐患的程度，趋势预测模型可以对预测故障隐患相对等级的发展趋势进行准确评估；然后考虑到电池组负载特征的多元化，通过获取待检测电池组的电压值、暂态电流值和温度值等多项指标，进而得到待检测电池组的电池组电压波动频率因子、电池组电压波动幅度因子、暂态电流值波动性因子和温度波动性因子等多个过程特征，并基于这多个过程特征获取能够准确表征电池组的运行情况的运行特征矩阵；将运行特征矩阵与各个样本运行特征矩阵进行匹配，并根据匹配结果得到待检测电池组的各个故障隐患相对等级，然后利用趋势预测模型对待检测电池组在未来的故障隐患相对等级进行预测，并根据预测结果能够提前快速及时发现待检测电池组的负载特征是否出现故障，从而提前告知操作人员，减少后期的二次损失，从而做到防患于未然。
需要说明的是：以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (10)
1.一种数据中心UPS电池故障快速检测方法，其特征在于，包括以下步骤：
获取待检测电池组的各个电池单元在当前L个第一设定时刻的电压值、待检测电池组在当前L个第一设定时刻的暂态电流值和温度值以及预先获取的各个样本运行特征矩阵、各个样本运行特征矩阵对应的故障隐患相对等级以及趋势预测模型；
根据待检测电池组的各个电池单元在当前L个第一设定时刻的电压值、待检测电池组在当前L个第一设定时刻的暂态电流值和温度值，确定待检测电池组在当前M个第二设定时刻对应的电池组电压波动频率因子、电池组电压波动幅度因子、暂态电流值波动性因子和温度波动性因子；
根据待检测电池组在当前M个第二设定时刻对应的电池组电压波动频率因子、电池组电压波动幅度因子、暂态电流值波动性因子和温度波动性因子，确定待检测电池组在当前N个第三设定时刻对应的运行特征矩阵；
将待检测电池组在当前N个第三设定时刻对应的运行特征矩阵与各个样本运行特征矩阵进行匹配，从而确定与待检测电池组在当前N个第三设定时刻对应的运行特征矩阵的相匹配的样本运行特征矩阵；
根据与待检测电池组在当前N个第三设定时刻对应的运行特征矩阵的相匹配的样本运行特征矩阵对应的故障隐患相对等级，从而对应得到待检测电池组在当前N个第三设定时刻对应的故障隐患相对等级；
将待检测电池组在当前N个第三设定时刻对应的故障隐患相对等级输入到趋势预测模型中，由趋势预测模型输出待检测电池组在未来N个第三设定时刻对应的故障隐患相对等级；
根据待检测电池组在未来N个第三设定时刻对应的故障隐患相对等级，确定待检测电池组是否发生故障。
2.根据权利要求1所述的数据中心UPS电池故障快速检测方法，其特征在于，确定待检测电池组在当前M个第二设定时刻对应的电池组电压波动频率因子，包括：
根据待检测电池组的各个电池单元在当前L个第一设定时刻的电压值，确定待检测电池组在当前L个第一设定时刻的电池组电压极差、电池组电压方差和电池组电压最低值；
根据待检测电池组在当前L个第一设定时刻的电池组电压极差、电池组电压方差和电池组电压最低值，确定待检测电池组在当前M个第二设定时刻对应的电池组电压极差均值、电池组电压方差均值和电池组电压最低值均值；
根据待检测电池组在当前L个第一设定时刻的电池组电压极差、电池组电压方差和电池组电压最低值以及在当前M个第二设定时刻对应的电池组电压极差均值、电池组电压方差均值和电池组电压最低值均值，确定待检测电池组在当前M个第二设定时刻对应的电池组电压波动频率因子，所述电池组电压波动频率因子包括：电池组电压极差波动频率因子、电池组电压方差波动频率因子和电池组电压最低值波动频率因子。
3.根据权利要求2所述的数据中心UPS电池故障快速检测方法，其特征在于，确定待检测电池组在当前M个第二设定时刻对应的电池组电压波动频率因子对应的计算公式为：
其中，
为待检测电池组在当前每个第二设定时刻对应的电池组电压波动频率因子中的电池组电压极差波动频率因子、电池组电压方差波动频率因子或电池组电压最低值波动频率因子，
为待检测电池组在当前每个第二设定时刻对应的第i+1个第一设定时刻的电池组电压极差、电池组电压方差或电池组电压最低值，
为待检测电池组在当前每个第二设定时刻对应的第i个第一设定时刻的电池组电压极差、电池组电压方差或电池组电压最低值，
为待检测电池组在当前每个第二设定时刻对应的第i-1个第一设定时刻的电池组电压极差、电池组电压方差或电池组电压最低值，
为待检测电池组在当前每个第二设定时刻对应的电池组电压极差均值、电池组电压方差均值或电池组电压最低值均值，
为待检测电池组在当前每个第二设定时刻对应的第一设定时刻的总数目。
4.根据权利要求2所述的数据中心UPS电池故障快速检测方法，其特征在于，确定待检测电池组在当前M个第二设定时刻对应的电池组电压波动幅度因子，包括：
根据待检测电池组在当前L个第一设定时刻的电池组电压极差、电池组电压方差和电池组电压最低值，确定待检测电池组在当前M个第二设定时刻对应的电池组电压极差最大值、电池组电压极差最小值、电池组电压方差最大值、电池组电压方差最小值、电池组电压最低值最大值和电池组电压最低值最小值；
根据待检测电池组在当前M个第二设定时刻对应的电池组电压极差最大值、电池组电压极差最小值、电池组电压方差最大值、电池组电压方差最小值、电池组电压最低值最大值和电池组电压最低值最小值以及电池组电压极差均值、电池组电压方差均值和电池组电压最低值均值，确定待检测电池组在当前M个第二设定时刻对应的电池组电压波动幅度因子，所述电池组电压波动幅度因子包括：电池组电压极差波动幅度因子、电池组电压方差波动幅度因子和电池组电压最低值波动幅度因子。
5.根据权利要求1所述的数据中心UPS电池故障快速检测方法，其特征在于，确定待检测电池组在当前M个第二设定时刻对应的暂态电流值波动性因子和温度波动性因子，包括：
根据待检测电池组在当前L个第一设定时刻的暂态电流值，确定待检测电池组在当前M个第二设定时刻对应的暂态电流值均值和暂态电流值方差，并计算在当前M个第二设定时刻对应的暂态电流值均值和暂态电流值方差的乘积，将暂态电流值均值和暂态电流值方差的乘积作为待检测电池组在当前M个第二设定时刻对应的暂态电流值波动性因子；
根据待检测电池组在当前L个第一设定时刻的温度值，确定待检测电池组在当前M个第二设定时刻对应的温度值方差，并将在当前M个第二设定时刻对应的温度值方差作为待检测电池组在当前M个第二设定时刻对应的温度波动性因子。
6.根据权利要求4所述的数据中心UPS电池故障快速检测方法，其特征在于，确定待检测电池组在当前N个第三设定时刻对应的运行特征矩阵，包括：
根据待检测电池组在当前M个第二设定时刻对应的电池组电压波动频率因子、电池组电压波动幅度因子、暂态电流值波动性因子和温度波动性因子，构造待检测电池组在当前M个第二设定时刻对应的特征列向量；
根据待检测电池组在当前每个第三设定时刻对应的当前各个第二设定时刻的时间先后顺序，对当前每个第三设定时刻对应的当前各个第二设定时刻对应的特征列向量进行拼接，从而得到待检测电池组在当前N个第三设定时刻对应的运行特征矩阵。
7.根据权利要求1所述的数据中心UPS电池故障快速检测方法，其特征在于，各个样本运行特征矩阵、各个样本运行特征矩阵对应的故障隐患相对等级以及趋势预测模型的获取过程包括：
获取数据中心UPS系统中的各个样本电池组的各个样本电池单元在X个第一设定时刻的电压值、各个样本电池组在X个第一设定时刻的暂态电流值和温度值；
根据各个样本电池组的各个样本电池单元在X个第一设定时刻的电压值、各个样本电池组在X个第一设定时刻的暂态电流值和温度值，确定各个样本电池组在Y个第二设定时刻对应的电池组电压波动频率因子、电池组电压波动幅度因子、暂态电流值波动性因子和温度波动性因子；
根据各个样本电池组在Y个第二设定时刻对应的电池组电压波动频率因子、电池组电压波动幅度因子、暂态电流值波动性因子和温度波动性因子，确定各个样本电池组在Z个第三设定时刻对应的样本运行特征矩阵；
根据各个样本电池组在Z个第三设定时刻对应的样本运行特征矩阵，分别对在每个第三设定时刻的各个样本电池组进行分簇，从而得到在Z个第三设定时刻对应的各个样本电池组簇；
根据在Z个第三设定时刻对应的各个样本电池组簇中各个样本电池组的各个样本电池单元的电压值，确定在Z个第三设定时刻对应的各个样本电池组簇的故障隐患相对等级；
根据在Z个第三设定时刻对应的各个样本电池组簇的故障隐患相对等级，确定各个样本电池组在Z个第三设定时刻对应的故障隐患相对等级，从而得到各个样本电池组对应的样本运行特征矩阵的故障隐患相对等级；
利用神经网络构建趋势预测模型，并利用各个样本电池组Z个第三设定时刻对应的故障隐患相对等级对构建的趋势预测模型进行训练，从而得到最终的趋势预测模型。
8.根据权利要求7所述的数据中心UPS电池故障快速检测方法，其特征在于，分别对在每个第三设定时刻的各个样本电池组进行分簇，从而得到在Z个第三设定时刻对应的各个样本电池组簇，包括：
根据各个样本电池组在Z个第三设定时刻对应的样本运行特征矩阵，确定各个样本电池组在Z个第三设定时刻对应的样本运行特征矩阵的高维向量；
根据各个样本电池组在Z个第三设定时刻对应的样本运行特征矩阵的高维向量，计算在每个第三设定时刻任意两个样本电池组对应的样本运行特征矩阵之间的距离值；
根据在每个第三设定时刻的任意两个样本电池组对应的样本运行特征矩阵之间的距离值，利用密度聚类算法对在每个第三设定时刻的所有样本电池组进行聚类，从而得到在Z个第三设定时刻对应的各个样本电池组簇。
9.根据权利要求7所述的数据中心UPS电池故障快速检测方法，其特征在于，确定在Z个第三设定时刻对应的各个样本电池组簇的故障隐患相对等级，包括：
根据在Z个第三设定时刻对应的各个样本电池组簇中各个样本电池组的各个样本电池单元的电压值，计算每个样本电池组的各个样本电池单元的电压值方差，从而得到在Z个第三设定时刻对应的各个样本电池组簇中各个样本电池组对应的各个电压值方差；
根据在Z个第三设定时刻对应的各个样本电池组簇中各个样本电池组对应的各个电压值方差，确定在Z个第三设定时刻对应的各个样本电池组簇对应的目标电压值方差；
根据在Z个第三设定时刻对应的各个样本电池组簇对应的目标电压值方差，确定在Z个第三设定时刻对应的各个样本电池组簇的故障隐患相对等级，样本电池组簇对应的目标电压值方差越小，该样本电池组簇的故障隐患相对等级越小。
10.一种数据中心UPS电池故障快速检测系统，其特征在于，包括处理器和存储器，所述处理器用于处理存储在所述存储器中的指令以实现上述权利要求1-9中任一项所述的数据中心UPS电池故障快速检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210940940.3A CN115061049B (zh) | 2022-08-08 | 2022-08-08 | 一种数据中心ups电池故障快速检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210940940.3A CN115061049B (zh) | 2022-08-08 | 2022-08-08 | 一种数据中心ups电池故障快速检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115061049A true CN115061049A (zh) | 2022-09-16 |
| CN115061049B CN115061049B (zh) | 2022-11-01 |
Family
ID=83208532
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210940940.3A Active CN115061049B (zh) | 2022-08-08 | 2022-08-08 | 一种数据中心ups电池故障快速检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115061049B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115805810A (zh) * | 2022-10-31 | 2023-03-17 | 宁德时代新能源科技股份有限公司 | 电池故障预测方法、装置、设备、存储介质和程序产品 |
| CN115877222A (zh) * | 2023-02-14 | 2023-03-31 | 国网浙江省电力有限公司宁波供电公司 | 一种储能电站故障检测方法、装置、介质及储能电站 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101078751A (zh) * | 2007-04-29 | 2007-11-28 | 赵东元 | 暂态直流小电流电量比较法监测蓄电池性能的方法及装置 |
| WO2014114886A1 (fr) * | 2013-01-23 | 2014-07-31 | Renault S.A.S | Methode d'estimation de la valeur moyenne d'une tension cellule de batterie, notamment une batterie haute tension pour vehicule electrique |
| US20140301000A1 (en) * | 2011-12-27 | 2014-10-09 | Hitachi, Ltd. | Battery System and Ground Fault Detecting Device |
| CN109283469A (zh) * | 2018-09-21 | 2019-01-29 | 四川长虹电器股份有限公司 | 电池管理系统故障预测方法、装置及可读存储介质 |
| US20190157869A1 (en) * | 2016-05-18 | 2019-05-23 | The Regents Of The University Of California | Battery energy storage control systems and methods |
| WO2019174653A2 (zh) * | 2019-06-17 | 2019-09-19 | 广东恒翼能科技有限公司 | 一种锂电池热失控预警保护系统及方法 |
| CN110609215A (zh) * | 2019-11-01 | 2019-12-24 | 云南电网有限责任公司电力科学研究院 | 基于暂态电流的柔性直流输电线路故障检测方法及系统 |
| 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 |
| CN111413589A (zh) * | 2020-04-02 | 2020-07-14 | 山东理工大学 | 一种基于灰靶决策的配电网单相短路故障定位方法 |
| TW202115421A (zh) * | 2019-10-10 | 2021-04-16 | 南韓商三星Ｓｄｉ股份有限公司 | 電池系統及其控制方法 |
| US11061076B1 (en) * | 2017-07-27 | 2021-07-13 | Maxim Integrated Products, Inc. | Battery cell analyzer |
| CN114384424A (zh) * | 2022-01-25 | 2022-04-22 | 山东大学 | 基于数据驱动的电池组早期故障实时诊断方法及系统 |
| WO2022151819A1 (zh) * | 2021-01-18 | 2022-07-21 | 北京理工大学 | 一种基于聚类分析的电池系统在线故障诊断方法和系统 |
-
2022
- 2022-08-08 CN CN202210940940.3A patent/CN115061049B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101078751A (zh) * | 2007-04-29 | 2007-11-28 | 赵东元 | 暂态直流小电流电量比较法监测蓄电池性能的方法及装置 |
| US20140301000A1 (en) * | 2011-12-27 | 2014-10-09 | Hitachi, Ltd. | Battery System and Ground Fault Detecting Device |
| WO2014114886A1 (fr) * | 2013-01-23 | 2014-07-31 | Renault S.A.S | Methode d'estimation de la valeur moyenne d'une tension cellule de batterie, notamment une batterie haute tension pour vehicule electrique |
| US20190157869A1 (en) * | 2016-05-18 | 2019-05-23 | The Regents Of The University Of California | Battery energy storage control systems and methods |
| US11061076B1 (en) * | 2017-07-27 | 2021-07-13 | Maxim Integrated Products, Inc. | Battery cell analyzer |
| CN109283469A (zh) * | 2018-09-21 | 2019-01-29 | 四川长虹电器股份有限公司 | 电池管理系统故障预测方法、装置及可读存储介质 |
| WO2019174653A2 (zh) * | 2019-06-17 | 2019-09-19 | 广东恒翼能科技有限公司 | 一种锂电池热失控预警保护系统及方法 |
| TW202115421A (zh) * | 2019-10-10 | 2021-04-16 | 南韓商三星Ｓｄｉ股份有限公司 | 電池系統及其控制方法 |
| CN110609215A (zh) * | 2019-11-01 | 2019-12-24 | 云南电网有限责任公司电力科学研究院 | 基于暂态电流的柔性直流输电线路故障检测方法及系统 |
| 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 |
| CN111413589A (zh) * | 2020-04-02 | 2020-07-14 | 山东理工大学 | 一种基于灰靶决策的配电网单相短路故障定位方法 |
| WO2022151819A1 (zh) * | 2021-01-18 | 2022-07-21 | 北京理工大学 | 一种基于聚类分析的电池系统在线故障诊断方法和系统 |
| CN114384424A (zh) * | 2022-01-25 | 2022-04-22 | 山东大学 | 基于数据驱动的电池组早期故障实时诊断方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| FAN GAN等: "The Lithium Battery Pack Equilibrium Strategies Based on Flyback Converter", 《2018 10TH INTERNATIONAL CONFERENCE ON INTELLIGENT HUMAN-MACHINE SYSTEMS AND CYBERNETICS (IHMSC)》 * |
| XING ZHAO等: "Development and Test of a UPS for Voltage Sag Immunity in IC Manufacturing", 《2021 IEEE 17TH INTERNATIONAL CONFERENCE ON AUTOMATION SCIENCE AND ENGINEERING (CASE)》 * |
| 朱昶文等: "基于健康度分析的卫星故障预测模型", 《计算机应用》 * |
| 杨静等: "电池系统的故障特征以及多故障的诊断与识别", 《化工学报》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115805810A (zh) * | 2022-10-31 | 2023-03-17 | 宁德时代新能源科技股份有限公司 | 电池故障预测方法、装置、设备、存储介质和程序产品 |
| CN115877222A (zh) * | 2023-02-14 | 2023-03-31 | 国网浙江省电力有限公司宁波供电公司 | 一种储能电站故障检测方法、装置、介质及储能电站 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115061049B (zh) | 2022-11-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yang et al. | On-board diagnosis of soft short circuit fault in lithium-ion battery packs for electric vehicles using an extended Kalman filter | |
| CN108254696B (zh) | 电池的健康状态评估方法及系统 | |
| US8306781B2 (en) | Professional diagnosis method of battery performance analysis | |
| CN115061049B (zh) | 一种数据中心ups电池故障快速检测方法及系统 | |
| CN109799463A (zh) | 基于大数据方法的实际运行工况下动力电池soc/soh/sop的估计与预测方法 | |
| CN113696786B (zh) | 电池均衡方法及系统 | |
| Chang et al. | Micro-fault diagnosis of electric vehicle batteries based on the evolution of battery consistency relative position | |
| CN116401585B (zh) | 一种基于大数据的储能电池失效风险评估方法 | |
| CN112180279A (zh) | 一种退役电池健康状态诊断专家系统 | |
| CN113687251B (zh) | 一种基于双模型的锂离子电池组电压异常故障诊断方法 | |
| CN111856299A (zh) | 电源状态的确定方法、装置及设备 | |
| CN117805649A (zh) | 基于soh量化电池容量衰减对异常电芯进行识别的方法 | |
| Wu et al. | Research on short-circuit fault-diagnosis strategy of lithium-ion battery in an energy-storage system based on voltage cosine similarity | |
| CN107037375B (zh) | 电池直流内阻测量方法及装置 | |
| CN116819377B (zh) | 电池组异常识别诊断方法和系统 | |
| CN111487553A (zh) | 一种电池单体一致性评价的方法及其装置 | |
| CN115480180A (zh) | 一种新能源电池健康诊断分析方法 | |
| CN110927609B (zh) | 梯次利用电池储能系统的衰退评估方法及装置 | |
| CN114755595A (zh) | 一种云端储能全量电芯内阻计算和评估方法 | |
| CN110794319A (zh) | 预测锂电池阻抗模型的参数的方法、装置及可读存储介质 | |
| JP2001250590A (ja) | 蓄電池の劣化判定方法 | |
| 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 | |
| CN117936949A (zh) | 一种新能源汽车电池组快速智能检测养护系统 | |
| CN117284151A (zh) | 一种自适应新能源车辆电池电量监测方法及系统 | |
| Li et al. | A fault diagnosis method for VRLA battery in data center |
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 |