CN115616423A - 液冷储能系统以及状态检测方法、装置 - Google Patents
液冷储能系统以及状态检测方法、装置 Download PDFInfo
- Publication number
- CN115616423A CN115616423A CN202211636215.3A CN202211636215A CN115616423A CN 115616423 A CN115616423 A CN 115616423A CN 202211636215 A CN202211636215 A CN 202211636215A CN 115616423 A CN115616423 A CN 115616423A
- Authority
- CN
- China
- Prior art keywords
- parameters
- energy storage
- storage system
- liquid cooling
- cooling energy
- 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
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/60—Heating or cooling; Temperature control
- H01M10/61—Types of temperature control
- H01M10/613—Cooling or keeping cold
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/60—Heating or cooling; Temperature control
- H01M10/65—Means for temperature control structurally associated with the cells
- H01M10/656—Means for temperature control structurally associated with the cells characterised by the type of heat-exchange fluid
- H01M10/6567—Liquids
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Chemical & Material Sciences (AREA)
- Electrochemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Chemical & Material Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Secondary Cells (AREA)
Abstract
本发明提供了一种液冷储能系统以及状态检测方法、装置,涉及液冷储能系统的技术领域,该方法包括:获取目标液冷储能系统的系统参数,基于系统参数判断目标液冷储能系统的运行状态是否满足预设阈值条件;如果否,基于系统参数组装特征输入向量,基于特征输入向量确定系统参数对应的故障类型,以对目标液冷储能系统进行状态检测。本发明提供的液冷储能系统以及状态检测方法、装置,由于系统参数包括换热单元的参数和电池管理系统的参数,因此,可以同时对液冷储能系统的电池管理系统和换热单元进行故障检测和故障预警,不仅有助于实现对液冷储能系统进行全面检测,对异常情况进行提前预警,也可以提高液冷储能系统的利用率。
Description
技术领域
本发明涉及液冷储能系统的技术领域,尤其是涉及一种液冷储能系统以及状态检测方法、装置。
背景技术
随着国内储能市场的不断发展壮大,储能项目的应用越来越广泛,液冷储能系统新兴起的一种储能技术,已经逐渐成为行业潮流。
液冷储能系统是针对电池温度管理的一种温控技术,通过使用冷却液对流换热,可以实现对每一个电芯进行精准的温度管理,因此,液冷储能系统是一个更高效、更安全的温度控制系统。
但是,目前提出的液冷储能系统,对其进行状态检测的企业很多,但是,大多都不够全面,对数据的利用也不够完全,只是简单的液冷系统检测,难以达到全面检测要求,降低了液冷储能系统的利用率。
发明内容
有鉴于此,本发明的目的在于提供一种液冷储能系统以及状态检测方法、装置,以缓解上述技术问题。
第一方面,本发明实施例提供了一种液冷储能系统的状态检测方法,所述方法包括:获取目标液冷储能系统的系统参数,其中,所述系统参数包括换热单元的参数和电池管理系统的参数;基于所述系统参数判断所述目标液冷储能系统的运行状态是否满足预设阈值条件;如果否,基于所述系统参数组装特征输入向量,基于所述特征输入向量确定所述系统参数对应的故障类型,以对所述目标液冷储能系统进行状态检测。
结合第一方面,本发明实施例提供了第一方面的第一种可能的实施方式,其中,上述基于所述系统参数判断所述目标液冷储能系统的运行状态是否满足预设阈值条件的步骤,包括:确定所述目标液冷储能系统当前所处的环境参数;根据所述环境参数确定所述目标液冷储能系统在当前环境参数下的预设阈值条件;基于所述系统参数判断所述目标液冷储能系统的运行状态是否满足所述环境参数下的所述预设阈值条件。
结合第一方面的第一种可能的实施方式,本发明实施例提供了第一方面的第二种可能的实施方式,其中,上述基于所述系统参数判断所述目标液冷储能系统的运行状态是否满足预设阈值条件的步骤,包括:提取所述换热单元的参数;其中,所述换热单元的参数包括以下参数至少之一:环境温度参数、换热电机功率参数和液冷管流量参数;判断所述换热单元的参数是否满足对应参数的第一阈值条件;如果有任意一个所述换热单元的参数不满足所述第一阈值条件,则确定所述目标液冷储能系统的运行状态不满足预设阈值条件。
结合第一方面的第二种可能的实施方式,本发明实施例提供了第一方面的第三种可能的实施方式,其中,上述基于所述系统参数判断所述目标液冷储能系统的运行状态是否满足预设阈值条件的步骤,还包括:提取所述电池管理系统的参数;其中,所述电池管理系统的参数包括以下参数至少之一:单体电池温度参数、电池组的充放电状态参数;判断所述电池管理系统的参数是否满足对应参数的第二阈值条件;如果有任意一个所述电池管理系统的参数不满足所述第二阈值条件,则确定目标液冷储能系统的运行状态不满足预设阈值条件。
结合第一方面的第三种可能的实施方式,本发明实施例提供了第一方面的第四种可能的实施方式,其中,上述基于所述系统参数组装特征输入向量的步骤,包括:分别提取所述换热单元的参数和所述电池管理系统的参数;对所述换热单元的参数和所述电池管理系统的参数进行组装,以生成所述特征输入向量。
结合第一方面,本发明实施例提供了第一方面的第五种可能的实施方式,其中,上述基于所述特征输入向量确定所述系统参数对应的故障类型的步骤,包括:将所述特征输入向量输入至预先建立的故障诊断模型;通过所述故障诊断模型输出所述系统参数对应的故障类型。
结合第一方面的第五种可能的实施方式,本发明实施例提供了第一方面的第六种可能的实施方式,其中,上述故障诊断模型为根据预先构建好的训练样本集进行训练得到的BP神经网络模型;所述训练样本集包括多个样本特征向量,所述样本特征向量为包含系统参数样本和故障类型的对应关系的样本数据;所述方法还包括:获取预先构建好的所述训练样本集;将所述训练样本集输入至BP神经网络模型,对所述BP神经网络模型进行训练,得到所述故障诊断模型。
结合第一方面,本发明实施例提供了第一方面的第七种可能的实施方式,其中,上述方法还包括:在预先存储的故障处理表中查找所述故障类型对应的处理措施;输出所述处理措施,以对所述目标液冷储能系统的故障类型进行处理。
第二方面,本发明实施例还提供一种液冷储能系统的状态检测装置,所述装置包括:获取模块,用于获取目标液冷储能系统的系统参数,其中,所述系统参数包括换热单元的参数和电池管理系统的参数;判断模块,用于基于所述系统参数判断所述目标液冷储能系统的运行状态是否满足预设阈值条件;确定模块,用于所述判断模块的判断结果为否是,基于所述系统参数组装特征输入向量,基于所述特征输入向量确定所述系统参数对应的故障类型,以对所述目标液冷储能系统进行状态检测。
第三方面,本发明实施例还提供一种液冷储能系统,所述液冷储能系统的控制器配置有第二方面所述的液冷储能系统的状态检测装置。
第四方面,本发明实施例还提供一种服务器,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述第一方面所述的方法的步骤。
第五方面,本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行上述第一方面所述的方法的步骤。
本发明实施例带来了以下有益效果:
本发明实施例提供的液冷储能系统以及状态检测方法、装置,能够获取目标液冷储能系统的系统参数,并在基于系统参数判断出目标液冷储能系统的运行状态不满足预设阈值条件时,进一步基于系统参数组装特征输入向量,基于特征输入向量确定系统参数对应的故障类型,以对目标液冷储能系统进行状态检测,并且,由于系统参数包括换热单元的参数和电池管理系统的参数,因此,可以同时对液冷储能系统的电池管理系统和换热单元进行故障检测和故障预警,不仅有助于实现对液冷储能系统进行全面检测,对异常情况进行提前预警,也可以提高液冷储能系统的利用率。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,对于本领域技术人员来讲,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为本发明实施例提供的一种液冷储能系统的状态检测方法的流程图;
图2为本发明实施例提供的一种BP神经网络模型的拓扑结构示意图;
图3为本发明实施例提供的一种液冷储能系统的状态检测装置的结构示意图;
图4为本发明实施例提供的一种服务器的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例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。
目前,提出液冷储能系统的状态检测的厂家很多,但是多数状态检测的方式都不够全面,对检测数据的利用也不够完全,只是简单的液冷系统检测,或者电池系统的检测。基于此,本发明实施例提供的一种液冷储能系统以及状态检测方法、装置,可以实现同时对电池管理系统和液冷系统的换热单元进行故障检测预警,以提高液冷储能系统的利用率。
为便于对本实施例进行理解,首先对本发明实施例所公开的一种液冷储能系统的状态检测方法进行详细介绍。
在一种可能的实施方式中,本发明实施例提供了一种液冷储能系统的状态检测方法,如图1所示的一种液冷储能系统的状态检测方法的流程图,该方法包括以下步骤:
步骤S102,获取目标液冷储能系统的系统参数;
其中,本发明实施例中的系统参数包括换热单元的参数和电池管理系统的参数;
简单来说,液冷储能系统,是针对电池温度管理的一种温控技术,通过对冷却液对流换热,可以实现对每一个电芯进行精准的温度管理,因此,液冷储能系统是一个更高效、更安全的温度控制系统,而为了实现液冷降温,通常在液冷储能系统中会配置换热单元,用于对电池管理系统的电池包、单体电池或者电芯进行换热和冷却。而本发明实施例中,获取的系统参数既包括换热单元的参数,又包括电池管理系统的参数,因此,在进行状态检测时,可以实现对换热单元和电池管理系统的全面检测。
步骤S104,基于系统参数判断目标液冷储能系统的运行状态是否满足预设阈值条件;
具体地,本发明实施例中,对目标液冷储能系统的运行状态进行全面检测时,还充分考虑了目标液冷储能系统当前所处的环境参数,因此,该步骤S104中,在判断目标液冷储能系统的运行状态是否满足预设阈值条件时,需要先确定目标液冷储能系统当前所处的环境参数;根据环境参数确定目标液冷储能系统在当前环境参数下的预设阈值条件;然后再进一步基于系统参数判断目标液冷储能系统的运行状态是否满足环境参数下的预设阈值条件。
具体实现时,上述环境参数包括天气情况,如晴天、阴天、雨天,地位位置,如内陆、沿海、平原、山区等等,进一步,环境参数还可以包括温度、湿度、气压等环境参数,在确定环境参数时,可以基于设置在目标液冷储能系统所处的环境中的环境传感器,或者其他监测手段获得,以得到包含环境参数的外界因素。
进一步,在对于不同的环境参数,目标液冷储能系统所应满足的预设阈值条件是不同的,因此,在确定出上述环境参数之后,可以根据环境参数进一步确定在当前环境参数下的预设阈值条件;具体实现时,目标液冷储能系统的控制器通常可以预先存储环境参数与预设阈值条件的对应关系,如在某种或多种环境参数确定的外界因素下,目标液冷储能系统应该满足什么样的阈值条件,因此,基于该对应关系,在确定出环境参数之后,可以根据所述环境参数进一步确定出预设阈值条件,然后再进一步判断目标液冷储能系统的运行状态是否满足该环境参数下的预设阈值条件。
步骤S106,如果否,基于系统参数组装特征输入向量,基于特征输入向量确定系统参数对应的故障类型,以对目标液冷储能系统进行状态检测。
在实际使用时,对于上述系统参数,通常都会根据目标液冷储能系统的实际运行情况来设置相应的阈值条件,以便于对目标液冷储能系统的运行状态进行检测,该阈值条件通常包括换热单元的阈值条件和电池管理系统的阈值条件,以便于对换热单元和电池管理系统进行全面检测。具体地,如果换热单元和电池管理系统的系统参数均满足预设阈值条件,则说明液冷储能系统的整体运行正常,如果换热单元和电池管理系统中有一个系统参数不满于预设阈值条件,则说明目标液冷储能系统的运行状态有异常,此时需要进行执行上述步骤S106来进一步确定故障类型。
因此,本发明实施例提供的液冷储能系统的状态检测方法,能够获取目标液冷储能系统的系统参数,并在基于系统参数判断出目标液冷储能系统的运行状态不满足预设阈值条件时,进一步基于系统参数组装特征输入向量,基于特征输入向量确定系统参数对应的故障类型,以对目标液冷储能系统进行状态检测,并且,由于系统参数包括换热单元的参数和电池管理系统的参数,因此,可以同时对液冷储能系统的电池管理系统和换热单元进行故障检测和故障预警,不仅有助于实现对液冷储能系统进行全面检测,对异常情况进行提前预警,也可以提高液冷储能系统的利用率。
在实际使用时,换热单元中的主要参数通常包括:环境温度参数、换热电机功率参数和液冷管流量参数,因此,本发明实施例中,换热单元的参数通常包括以下参数至少之一:环境温度参数、换热电机功率参数和液冷管流量参数。
因此,在上述步骤S104中,判断目标液冷储能系统的运行状态是否满足预设阈值条件时,可以提取换热单元的参数;其中,换热单元的参数包括以下参数至少之一:环境温度参数、换热电机功率参数和液冷管流量参数;然后判断换热单元的参数是否满足对应参数的第一阈值条件;如果有任意一个换热单元的参数不满足第一阈值条件,则确定目标液冷储能系统的运行状态不满足预设阈值条件。
具体地,上述环境温度参数通常也称为外界温度参数,该环境温度参数,或者外界温度参数,与上述环境参数中的温度不同,上述环境参数中的温度指的是天气的温度,例如,天气预报预测的温度,而环境温度参数则是通过设置在液冷储能系统所在环境中的多个位置的温度传感器来获取的参数,例如,设置在储能集装箱中的温度传感器来采集温度参数,对于多个温度传感器,可以同时进行采集,并取平均值的方式来确定环境温度参数,并且,对于环境温度参数,在第一阈值条件中,通常包括第一温度阈值,如果环境温度参数低于该第一温度阈值则说明满足第一阈值条件,否则不满足第一阈值条件,而第一温度阈值则可以参考环境参数中的温度来设置,例如,夏季高温天气和冬季寒冷天气下,可以对应设置不同的第一温度阈值等等。
进一步,上述换热电机功率参数是对换热单元的换热电机的功率采集的功率参数,液冷管流量参数则是对换热单元的液冷管的流量进行采集得到的流量参数,在第一阈值条件中,通常都设置有对应的换热电机功率阈值,以及液冷管流量阈值,如,最大功率阈值、最小功率阈值、最大流量阈值和最小流量阈值等等,以便于检测换热单元时,可以使换热电机的功率以及液冷管的流量维持在一定阈值范围内。具体的第一阈值条件可以根据目标液冷储能系统的实际运行情况进行设置,本发明实施例对此不进行限制。
进一步,对于电池管理系统,本发明实施例中的电池管理系统的参数通常包括单体电池温度参数、电池组的充放电状态参数。因此,在上述步骤S104中,判断目标液冷储能系统的运行状态是否满足预设阈值条件时,需要提取电池管理系统的参数;其中,电池管理系统的参数包括以下参数至少之一:单体电池温度参数、电池组的充放电状态参数;然后判断电池管理系统的参数是否满足对应参数的第二阈值条件;如果有任意一个电池管理系统的参数不满足第二阈值条件,则确定目标液冷储能系统的运行状态不满足预设阈值条件。
具体地,上述单体电池温度参数通常可以通过设置在单体电池的电池包中的传感器得到,并且,在第二阈值条件中对应设置有该单体电池温度参数对应的温度阈值,以对单体电池的温度参数进行检测,避免出现单体电池温度过高的现象,进一步,上述电池组的充放电状态参数可以包括单体电池的充放电状态,如充、放电的功率、电压、电流等等,也可以包括这个电池组的充、放电的功率、电压、电流等参数,具体可以根据实际检测情况进行设置,并且,在第二阈值条件中也对应设置有充放电状态参数的阈值,如功率阈值、电压阈值、电流阈值等等,以便于对各个参数进行检测。具体的参数和阈值的设置情况以实际使用情况为准,本发明实施例对此不进行限制。
进一步,如果上述换热单元的参数或者电池管理系统的参数中有任意一个不满足对应的阈值条件,则需要执行步骤S106,以进一步确定故障类型。
在实际使用时,上述步骤S106中,基于系统参数组装特征输入向量时,是根据换热单元的参数和电池管理系统的参数共同进行的,因此,需要分别提取换热单元的参数和电池管理系统的参数;对换热单元的参数和电池管理系统的参数进行组装,以生成特征输入向量。
进一步,在基于特征输入向量确定系统参数对应的故障类型时,是将特征输入向量输入至预先建立的故障诊断模型;通过故障诊断模型输出系统参数对应的故障类型,并且,本发明实施例中,故障诊断模型实际是基于特征输入向量对故障类型进行预测的过程,由于特征输入向量是基于换热单元的参数和电池管理系统的参数共同组装的,因此,故障诊断模型可以预测的常见类型一般包括换热单元的故障类型,如液冷管是否破损,换热单元本身是否有故障等等,而电池管理系统的故障类型则主要是单体电池的温度是否异常等。
具体实现时,本发明实施例中的上述故障诊断模型为根据预先构建好的训练样本集进行训练得到的BP神经网络模型;其中,训练样本集包括多个样本特征向量,样本特征向量为包含系统参数样本和故障类型的对应关系的样本数据。
其中,样本特征向量中的系统参数样本通常指的是目标液冷储能系统的训练样本,因此,通过系统参数样本训练出的BP神经网络模型是与目标液冷储能系统匹配的神经网络模型。
进一步,样本特征向量中的系统参数样本是参考上述系统参数得到的训练样本,因此,通常包括换热单元的参数对应的训练样本和电池管理系统的参数对应的训练样本,例如样本特征向量可以表示为:{环境温度参数,换热电机功率,液冷管的流量,单体电池温度,电池组的充放电状态,故障类型};其中,故障类型进一步可以包括:液冷管堵塞,液冷管破损,换热电机故障,单体电池温度异常等等,其中,液冷管堵塞、液冷管破损、换热电机故障对应的是换热单元的训练样本,单体电池温度、电池组的充放电状态对应的是电池管理系统的训练样本,这些训练样本通常包括大量的样本数据,可以根据经验值进行设定,也可以对目标液冷储能系统实际的运行数据进行采集,包括正样本,如系统参数样本正常情况下对应的故障类型为0,也包括负样本,如目标液冷储能系统出现故障时对应的各个参数组成负样本,此时的负样本对应有故障类型,通过大量的正样本和负样本对BP神经网络模型进行训练,可以得到本发明实施例中的上述故障诊断模型。
因此,本发明实施例中,还包括以下训练过程:获取预先构建好的训练样本集;将训练样本集输入至BP神经网络模型,对BP神经网络模型进行训练,得到故障诊断模型。
在实际使用时,上述BP神经网络模型一般包括输入层、隐含层和输出层,为了便于理解,图2示出了一种BP神经网络模型的拓扑结构示意图,其中,图2中,X1,X2,...,Xn是BP神经网络模型的输入值,Y1,Y2,...,Ym是BP神经网络模型对应n种故障类型中具体的故障类型的预测概率。BP神经网络模型中相关的权值ωij和ωjk的初始值通常由专家或有经验的技术人员赋予经验初值,以加快整个神经网络模型的训练收敛。
具体的训练过程包括:
(1)网络初始化。
该过程中,根据输入输出序列(X,Y)确定BP神经网络模型的输入层节点数n、隐含层节点数l、输出层节点数m,并初始化输入层、隐含层和输出层的神经元之间的连接权值和,以及初始化隐含层的阈值a,输出层阈值b,并给定学习速率和神经元激励函数。
(2)隐含层的输出计算。
式中,l为隐含层节点数,xi为第i个变量X的具体值,aj为阈值;f为隐含层的激励函数,该函数有多种表达形式,其中,本发明实施例中可以使用sigmoid函数:
(3)输出层的计算。
(4)误差计算。
根据BP神经网络模型的预测输出函数O和期望输出Y,计算BP神经网络模型的预测误差e,表示为:
e k =Y k-O k,其中,k = 1,2,...,m;
(5)权值更新。
w jk =w jk +ƞH j e k , j = 1,2,...,l;k = 1,2,...,m;
(6)阈值更新。
根据上述预测误差e更新上述阈值a,b,具体公式表示为:
b k =b k +e k , k = 1,2,...,m。
(7)判断训练算法迭代是否结束。
具体的判断依据包括判断损失函数是否到损失阈值之下,具体地,在一个实施例中,损失函数的损失值在0.001即可停止迭代,相应的损失函数可以采用均方差损失函数,若没有达到损失值,则可以返回步骤(2)继续进行训练计算,直至满足迭代停止。
在实际使用时,上述BP神经网络模型的训练过程中使用的训练样本集的样本特征向量,可以采用经验分析与主成分分析法相结合的方式进行提取,作为BP神经网络模型的输入值,并且,BP神经网络模型的其他网络相关参数,如隐含层的节点数等等,均可以根据实际使用情况进行设置,避免出现过拟合或者训练时间过长的情形,具体也实际使用情况为准,本发明实施例对此不进行限制。
进一步,通过上述BP神经网络模型得出故障类型之后,还可以进一步在预先存储的故障处理表中查找故障类型对应的处理措施;输出该处理措施,以对目标液冷储能系统的故障类型进行处理。例如,若单体电池温度异常,则可以采取加大液冷电机的功率,或者对单体电池进行断电处理等等,以避免故障扩大,降低整个液冷储能系统的运行风险。而上述故障处理表通常是基于经验值建立的故障类型与处理措施对应的信息表,可以预先进行建立并根据液冷储能系统的运行情况尽心定时更新,具体可以根据实际使用情况进行设置,本发明实施例对此不进行限制。
进一步,在上述实施例的基础上,本发明实施例还提供了一种液冷储能系统的状态检测装置,如图3所示的一种液冷储能系统的状态检测装置的结构示意图,该装置包括:
获取模块30,用于获取目标液冷储能系统的系统参数,其中,所述系统参数包括换热单元的参数和电池管理系统的参数;
判断模块32,用于基于所述系统参数判断所述目标液冷储能系统的运行状态是否满足预设阈值条件;
确定模块34,用于所述判断模块的判断结果为否是,基于所述系统参数组装特征输入向量,基于所述特征输入向量确定所述系统参数对应的故障类型,以对所述目标液冷储能系统进行状态检测。
本发明实施例提供的液冷储能系统的状态检测装置,与上述实施例提供的液冷储能系统的状态检测方法具有相同的技术特征,所以也能解决相同的技术问题,达到相同的技术效果。
进一步,本发明实施例还提供了一种液冷储能系统,所述液冷储能系统的控制器配置有上述的液冷储能系统的状态检测装置。
进一步,本发明实施例还提供了一种服务器,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述方法的步骤。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行上述方法的步骤。
进一步,本发明实施例还提供了一种服务器的结构示意图,如图4所示,为该服务器的结构示意图,其中,该服务器包括处理器41和存储器40,该存储器40存储有能够被该处理器41执行的计算机可执行指令,该处理器41执行该计算机可执行指令以实现上述方法。
在图4示出的实施方式中,该服务器还包括总线42和通信接口43,其中,处理器41、通信接口43和存储器40通过总线42连接。
其中,存储器40可能包含高速随机存取存储器(RAM,Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口43(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。总线42可以是ISA(IndustryStandard Architecture,工业标准体系结构)总线、PCI(Peripheral ComponentInterconnect,外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture,扩展工业标准结构)总线等。所述总线42可以分为地址总线、数据总线、控制总线等。为便于表示,图4中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
处理器41可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器41中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器41可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital SignalProcessor,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称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。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。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器41读取存储器中的信息,结合其硬件完成前述方法。
本发明实施例所提供的液冷储能系统以及状态检测方法、装置的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
另外,在本发明实施例的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种液冷储能系统的状态检测方法,其特征在于,所述方法包括:
获取目标液冷储能系统的系统参数,其中,所述系统参数包括换热单元的参数和电池管理系统的参数;
基于所述系统参数判断所述目标液冷储能系统的运行状态是否满足预设阈值条件;
如果否,基于所述系统参数组装特征输入向量,基于所述特征输入向量确定所述系统参数对应的故障类型,以对所述目标液冷储能系统进行状态检测。
2.根据权利要求1所述的方法,其特征在于,基于所述系统参数判断所述目标液冷储能系统的运行状态是否满足预设阈值条件的步骤,包括:
确定所述目标液冷储能系统当前所处的环境参数;
根据所述环境参数确定所述目标液冷储能系统在当前环境参数下的预设阈值条件;
基于所述系统参数判断所述目标液冷储能系统的运行状态是否满足所述环境参数下的所述预设阈值条件。
3.根据权利要求2所述的方法,其特征在于,基于所述系统参数判断所述目标液冷储能系统的运行状态是否满足所述环境参数下的所述预设阈值条件的步骤,包括:
提取所述换热单元的参数;其中,所述换热单元的参数包括以下参数至少之一:环境温度参数、换热电机功率参数和液冷管流量参数;
判断所述换热单元的参数是否满足对应参数的第一阈值条件;
如果有任意一个所述换热单元的参数不满足所述第一阈值条件,则确定所述目标液冷储能系统的运行状态不满足预设阈值条件。
4.根据权利要求3所述的方法,其特征在于,基于所述系统参数判断所述目标液冷储能系统的运行状态是否满足所述环境参数下的所述预设阈值条件的步骤,还包括:
提取所述电池管理系统的参数;其中,所述电池管理系统的参数包括以下参数至少之一:单体电池温度参数、电池组的充放电状态参数;
判断所述电池管理系统的参数是否满足对应参数的第二阈值条件;
如果有任意一个所述电池管理系统的参数不满足所述第二阈值条件,则确定目标液冷储能系统的运行状态不满足预设阈值条件。
5.根据权利要求4所述的方法,其特征在于,基于所述系统参数组装特征输入向量的步骤,包括:
分别提取所述换热单元的参数和所述电池管理系统的参数;
对所述换热单元的参数和所述电池管理系统的参数进行组装,以生成所述特征输入向量。
6.根据权利要求1所述的方法,其特征在于,基于所述特征输入向量确定所述系统参数对应的故障类型的步骤,包括:
将所述特征输入向量输入至预先建立的故障诊断模型;
通过所述故障诊断模型输出所述系统参数对应的故障类型。
7.根据权利要求6所述的方法,其特征在于,所述故障诊断模型为根据预先构建好的训练样本集进行训练得到的BP神经网络模型;所述训练样本集包括多个样本特征向量,所述样本特征向量为包含系统参数样本和故障类型的对应关系的样本数据;
所述方法还包括:
获取预先构建好的所述训练样本集;
将所述训练样本集输入至BP神经网络模型,对所述BP神经网络模型进行训练,得到所述故障诊断模型。
8.根据权利要求1所述的方法,其特征在于,所述方法还包括:
在预先存储的故障处理表中查找所述故障类型对应的处理措施;
输出所述处理措施,以对所述目标液冷储能系统的故障类型进行处理。
9.一种液冷储能系统的状态检测装置,其特征在于,所述装置包括:
获取模块,用于获取目标液冷储能系统的系统参数,其中,所述系统参数包括换热单元的参数和电池管理系统的参数;
判断模块,用于基于所述系统参数判断所述目标液冷储能系统的运行状态是否满足预设阈值条件;
确定模块,用于所述判断模块的判断结果为否是,基于所述系统参数组装特征输入向量,基于所述特征输入向量确定所述系统参数对应的故障类型,以对所述目标液冷储能系统进行状态检测。
10.一种液冷储能系统,其特征在于,所述液冷储能系统的控制器配置有权利要求9所述的液冷储能系统的状态检测装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211636215.3A CN115616423B (zh) | 2022-12-20 | 2022-12-20 | 液冷储能系统以及状态检测方法、装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211636215.3A CN115616423B (zh) | 2022-12-20 | 2022-12-20 | 液冷储能系统以及状态检测方法、装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115616423A true CN115616423A (zh) | 2023-01-17 |
CN115616423B CN115616423B (zh) | 2023-05-23 |
Family
ID=84880204
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211636215.3A Active CN115616423B (zh) | 2022-12-20 | 2022-12-20 | 液冷储能系统以及状态检测方法、装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115616423B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115832532A (zh) * | 2023-02-14 | 2023-03-21 | 广东采日能源科技有限公司 | 液冷储能系统的控制方法、装置及系统 |
CN117075483A (zh) * | 2023-10-16 | 2023-11-17 | 厦门海辰储能科技股份有限公司 | 液冷储能系统的状态监控方法、装置及存储介质 |
CN117134040A (zh) * | 2023-10-27 | 2023-11-28 | 内蒙古中电储能技术有限公司 | 一种液冷储能系统的智慧运维方法与装置 |
CN117743974A (zh) * | 2024-02-21 | 2024-03-22 | 武汉船用电力推进装置研究所(中国船舶集团有限公司第七一二研究所) | 液冷储能系统冷却流量分配方法、装置及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107357730A (zh) * | 2017-07-17 | 2017-11-17 | 郑州云海信息技术有限公司 | 一种系统故障诊断修复方法及装置 |
CN107975907A (zh) * | 2017-07-14 | 2018-05-01 | 深圳达实智能股份有限公司 | 医院预冷空调箱自诊方法、装置、计算机装置及存储介质 |
CN207543493U (zh) * | 2017-12-19 | 2018-06-26 | 北京镭创高科光电科技有限公司 | 一种液冷散热系统 |
CN109130865A (zh) * | 2018-10-18 | 2019-01-04 | 奇瑞新能源汽车技术有限公司 | 一种电动汽车液冷系统工作状态的检测系统及方法 |
CN109884475A (zh) * | 2019-04-02 | 2019-06-14 | 云南电网有限责任公司大理供电局 | 一种电网故障检测方法、装置、系统及存储介质 |
CN111459142A (zh) * | 2020-04-22 | 2020-07-28 | 北京航空航天大学 | 一种基于堆叠稀疏降噪自编码器的飞机液冷失效故障诊断方法 |
CN114661542A (zh) * | 2022-02-23 | 2022-06-24 | 阿里巴巴(中国)有限公司 | 液冷冷却系统的测试方法、装置、系统及计算机设备 |
CN115084707A (zh) * | 2022-04-28 | 2022-09-20 | 中国能源建设集团广东省电力设计研究院有限公司 | 一种电池储能系统内的液冷系统能耗优化方法 |
CN115219933A (zh) * | 2022-06-24 | 2022-10-21 | 湘潭大学 | 一种液冷式电池包健康状态评估方法 |
-
2022
- 2022-12-20 CN CN202211636215.3A patent/CN115616423B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107975907A (zh) * | 2017-07-14 | 2018-05-01 | 深圳达实智能股份有限公司 | 医院预冷空调箱自诊方法、装置、计算机装置及存储介质 |
CN107357730A (zh) * | 2017-07-17 | 2017-11-17 | 郑州云海信息技术有限公司 | 一种系统故障诊断修复方法及装置 |
CN207543493U (zh) * | 2017-12-19 | 2018-06-26 | 北京镭创高科光电科技有限公司 | 一种液冷散热系统 |
CN109130865A (zh) * | 2018-10-18 | 2019-01-04 | 奇瑞新能源汽车技术有限公司 | 一种电动汽车液冷系统工作状态的检测系统及方法 |
CN109884475A (zh) * | 2019-04-02 | 2019-06-14 | 云南电网有限责任公司大理供电局 | 一种电网故障检测方法、装置、系统及存储介质 |
CN111459142A (zh) * | 2020-04-22 | 2020-07-28 | 北京航空航天大学 | 一种基于堆叠稀疏降噪自编码器的飞机液冷失效故障诊断方法 |
CN114661542A (zh) * | 2022-02-23 | 2022-06-24 | 阿里巴巴(中国)有限公司 | 液冷冷却系统的测试方法、装置、系统及计算机设备 |
CN115084707A (zh) * | 2022-04-28 | 2022-09-20 | 中国能源建设集团广东省电力设计研究院有限公司 | 一种电池储能系统内的液冷系统能耗优化方法 |
CN115219933A (zh) * | 2022-06-24 | 2022-10-21 | 湘潭大学 | 一种液冷式电池包健康状态评估方法 |
Non-Patent Citations (2)
Title |
---|
姜婕等: "一种基于时序的状态监控及故障诊断系统", 《测控技术》 * |
朱鹏飞等: "基于CAN总线的雷达阵面液冷综合监控系统设计", 《计算机测量与控制》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115832532A (zh) * | 2023-02-14 | 2023-03-21 | 广东采日能源科技有限公司 | 液冷储能系统的控制方法、装置及系统 |
CN117075483A (zh) * | 2023-10-16 | 2023-11-17 | 厦门海辰储能科技股份有限公司 | 液冷储能系统的状态监控方法、装置及存储介质 |
CN117075483B (zh) * | 2023-10-16 | 2024-01-26 | 厦门海辰储能科技股份有限公司 | 液冷储能系统的状态监控方法、装置及存储介质 |
CN117134040A (zh) * | 2023-10-27 | 2023-11-28 | 内蒙古中电储能技术有限公司 | 一种液冷储能系统的智慧运维方法与装置 |
CN117134040B (zh) * | 2023-10-27 | 2024-03-12 | 内蒙古中电储能技术有限公司 | 一种液冷储能系统的智慧运维方法与装置 |
CN117743974A (zh) * | 2024-02-21 | 2024-03-22 | 武汉船用电力推进装置研究所(中国船舶集团有限公司第七一二研究所) | 液冷储能系统冷却流量分配方法、装置及存储介质 |
CN117743974B (zh) * | 2024-02-21 | 2024-05-03 | 武汉船用电力推进装置研究所(中国船舶集团有限公司第七一二研究所) | 液冷储能系统冷却流量分配方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115616423B (zh) | 2023-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115616423A (zh) | 液冷储能系统以及状态检测方法、装置 | |
CN114372417A (zh) | 基于充电网的电动汽车电池健康状态和剩余寿命评估方法 | |
CN112331941A (zh) | 云端辅助电池管理系统及方法 | |
CN112098850B (zh) | 基于sdo算法的锂离子电池电压故障诊断方法及系统 | |
CN114137417B (zh) | 一种基于充电数据特征的电池内短路检测方法 | |
US20220373609A1 (en) | State Value for Rechargeable Batteries | |
CN116609676B (zh) | 一种基于大数据处理的混合储能电池状态监控方法及系统 | |
CN115291116A (zh) | 储能电池健康状态预测方法、装置及智能终端 | |
CN114579644B (zh) | 基于深度学习的电池有效充电数据识别方法、设备和介质 | |
CN116643178B (zh) | 一种电池管理系统的soc估算方法及相关装置 | |
CN113447828A (zh) | 一种基于贝叶斯神经网络的锂电池温度估计方法及系统 | |
WO2023231356A1 (zh) | 一种基于光纤光栅传感器的锂离子电池荷电状态估计方法 | |
CN116488169A (zh) | 基于智慧开关的故障处理方法、装置、系统和介质 | |
CN117031310A (zh) | 一种电动汽车动力电池剩余使用寿命预测方法 | |
CN113253125B (zh) | 一种基于信息融合的磷酸铁锂电池热失控监测方法及系统 | |
CN116306032A (zh) | 温度预测方法、装置、设备以及存储介质 | |
CN115693916A (zh) | 一种变电站直流电源智能在线监测方法及系统 | |
CN113125965B (zh) | 电池析锂检测方法、装置、设备及存储介质 | |
CN115469226A (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 | |
CN115219932A (zh) | 用于评价设备电池组的相对老化状态的方法和装置 | |
CN118100374B (zh) | 一种基于pid算法的电池均衡控制系统 | |
CN117878455B (zh) | 一种退役电池的放电状态优化方法及相关装置 | |
CN115312891B (zh) | 一种基于云端机械损伤预测模型的电池保护方法及系统 | |
WO2024125189A1 (zh) | 储能电池短路预警方法及装置 | |
CN118100374A (zh) | 一种基于pid算法的电池均衡控制系统 |
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 |