CN115795269A - 一种电堆故障的预判方法、装置、存储介质及设备 - Google Patents

一种电堆故障的预判方法、装置、存储介质及设备 Download PDF

Info

Publication number
CN115795269A
CN115795269A CN202211634687.5A CN202211634687A CN115795269A CN 115795269 A CN115795269 A CN 115795269A CN 202211634687 A CN202211634687 A CN 202211634687A CN 115795269 A CN115795269 A CN 115795269A
Authority
CN
China
Prior art keywords
data points
target
consistency
clustering index
calculating
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
Application number
CN202211634687.5A
Other languages
English (en)
Inventor
袁新杰
侯中军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Hydrogen Propulsion Technology Co Ltd
Original Assignee
Shanghai Hydrogen Propulsion Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Hydrogen Propulsion Technology Co Ltd filed Critical Shanghai Hydrogen Propulsion Technology Co Ltd
Priority to CN202211634687.5A priority Critical patent/CN115795269A/zh
Publication of CN115795269A publication Critical patent/CN115795269A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • Y02E60/30—Hydrogen technology
    • Y02E60/50—Fuel cells

Landscapes

  • Fuel Cell (AREA)

Abstract

本申请公开了一种电堆故障的预判方法、装置、存储介质及设备，根据差异性的权重值、一致性的权重值、总体单体电压矩阵，计算得到差异性数据点、一致性数据点并确定目标样本距离；根据目标样本距离计算局部密度；计算差异性数据点与一致性数据点的目标局部密度；根据局部密度、目标局部密度计算局部离群因子；当局部离群因子大于预设阈值时电堆电压为预警状态；根据差异性数据点、一致性数据点构建聚类指标、目标聚类指标；当聚类指标不为预设阈值、目标聚类指标为预设阈值时，将预警状态更改为故障状态，与现有技术相比，不需要人为操作改变阴阳两侧压差，基于聚类指标与目标聚类指标获悉当前电堆情况，实现了实车在线运行时电堆性能故障的预判。

Description

一种电堆故障的预判方法、装置、存储介质及设备
技术领域
本申请涉及燃料电池领域，尤其涉及一种电堆故障的预判方法、装置、存储介质及设备。
背景技术
质子交换膜氢燃料电池通过电化学反应，可以直接将氢燃料的化学能转换为电能和热能，由于燃料电池在低温环境下仍能保持高功率密度的特性，燃料电池汽车适用于高寒、高温和高原等极端环境，但复杂的运行环境会导致质子交换膜机械失效甚至破损，进而导致氢燃料在燃料电池电堆中出现阳极气体渗漏到阴极发生化学反应引发膜孔区域温度升高损伤膜和催化剂的现象，这种现象可能会产生电堆大量窜漏的问题以致大量氢气泄漏引发安全隐患，触发氢气传感器检测报警导致燃料电池汽车无法启动。
然而，现有的检测燃料电池电堆窜漏的方法，均需要通过专业的工程师人为操作改变阴阳两侧压差，以检测燃料电池电堆串漏现象，或者通过电堆返厂后在专业测试台架上停机进行开路电压检测，无法实现实车在线运行时电堆性能故障的预判。
因此，如何实现实车在线运行时电堆性能故障的预判，成为本领域亟需解决的问题。
发明内容
本申请提供了一种电堆故障的预判方法、装置、存储介质及设备，目的在于实现实车在线运行时电堆性能故障的预判。
为了实现上述目的，本申请提供了以下技术方案：
一种电堆故障的预判方法，包括：
根据差异性的权重值、一致性的权重值、总体单体电压矩阵，计算得到差异性数据点、一致性数据点；所述差异性的权重值以及所述一致性的权重值基于协方差矩阵预先处理得到；所述总体电压矩阵基于各个单体电压预先建立；
根据所述差异性数据点、所述一致性数据点确定目标样本距离；
根据所述目标样本距离，计算得到局部密度；
周期性计算所述差异性数据点与所述一致性数据点的所有局部密度，得到目标局部密度；
根据所述局部密度、所述目标局部密度，计算得到局部离群因子；
当所述局部离群因子大于预设阈值时，确认电堆电压为预警状态；
根据所述差异性数据点、所述一致性数据点构建聚类指标以及目标聚类指标；
当所述聚类指标不为所述预设阈值，且所述目标聚类指标为所述预设阈值时，将所述预警状态更改为故障状态。
可选的，基于各个单体电压预先建立所述总体电压矩阵的过程，包括：
当接收到预设设备发送的所有单体电压时，将所有所述单体电压存储至数据库中；
从所述数据库中获取第一预设时间段内的预设电压区间的各个所述单体电压；
根据各个所述单体电压，建立所述总体单体电压矩阵。
可选的，基于协方差矩阵预先处理得到差异性的权重值以及所述一致性的权重值的过程，包括：
根据所述总体单体电压矩阵，构建各个单体电压矩阵；
对于各个所述单体电压矩阵，对所述单体电压矩阵进行去中心化处理，得到去中心化后的单体电压矩阵；
根据所述去中心化后的单体电压矩阵，建立所述协方差矩阵；
对所述协方差矩阵进行奇异值分解，得到所述差异性的权重值、所述一致性的权重值。
可选的，所述根据所述差异性数据点、所述一致性数据点确定目标样本距离，包括：
计算第二预设时间段内的所述差异性数据点与所述一致性数据点之间的样本距离，得到各个样本距离；
从各个所述样本距离中选取最大的样本距离，并标识为目标样本距离。
可选的，所述根据所述差异性数据点、所述一致性数据点构建聚类指标以及目标聚类指标，包括：
基于第三预设时间段内的所述差异性数据点、所述一致性数据点，构建数据集；
基于所述数据集建立聚类指标；
当所述聚类指标不为所述预设阈值时，基于第四预设时间段内的所述差异性数据点、所述一致性数据点，构建目标数据集；
基于所述目标数据集建立目标聚类指标。
可选的，还包括：
当所述聚类指标为所述预设阈值时，将所述预警状态更改为正常运行状态。
可选的，还包括：
当所述目标聚类指标不为所述预设阈值时，向用户发送提示信息。
一种电堆故障的预判装置，包括：
第一计算单元，用于根据差异性的权重值、一致性的权重值、总体单体电压矩阵，计算得到差异性数据点、一致性数据点；所述差异性的权重值以及所述一致性的权重值基于协方差矩阵预先处理得到；所述总体电压矩阵基于各个单体电压预先建立；
确定单元，用于根据所述差异性数据点、所述一致性数据点确定目标样本距离；
第二计算单元，用于根据所述目标样本距离，计算得到局部密度；
第三计算单元，用于周期性计算所述差异性数据点与所述一致性数据点的所有局部密度，得到目标局部密度；
第四计算单元，用于根据所述局部密度、所述目标局部密度，计算得到局部离群因子；
确认单元，用于当所述局部离群因子大于预设阈值时，确认电堆电压为预警状态；
构建单元，用于根据所述差异性数据点、所述一致性数据点构建聚类指标以及目标聚类指标；
更改单元，用于当所述聚类指标不为所述预设阈值，且所述目标聚类指标为所述预设阈值时，将所述预警状态更改为故障状态。
一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，所述程序被处理器运行时执行所述的电堆故障的预判方法。
一种电堆故障的预判设备，包括：处理器、存储器和总线；所述处理器与所述存储器通过所述总线连接；
所述存储器用于存储程序，所述处理器用于运行程序，其中，所述程序被处理器运行时执行所述的电堆故障的预判方法。
本申请提供的技术方案，根据差异性的权重值、一致性的权重值、总体单体电压矩阵，计算得到差异性数据点、一致性数据点并确定目标样本距离；根据目标样本距离计算局部密度；计算差异性数据点与一致性数据点的目标局部密度；根据局部密度、目标局部密度计算局部离群因子；当局部离群因子大于预设阈值时电堆电压为预警状态；根据差异性数据点、一致性数据点构建聚类指标、目标聚类指标；当聚类指标不为预设阈值、目标聚类指标为预设阈值时，将预警状态更改为故障状态，与现有技术相比，不需要人为操作改变阴阳两侧压差，基于聚类指标与目标聚类指标获悉当前电堆情况，实现了实车在线运行时电堆性能故障的预判。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1a为本申请实施例提供的一种电堆故障的预判方法的流程图；
图1b为本申请实施例提供的一种电堆故障的预判方法的流程图；
图1c为本申请实施例提供的一种电堆状态的示意图；
图2为本申请实施例提供的另一种电堆故障的预判方法的流程图；
图3为本申请实施例提供的一种电堆故障的预判装置的架构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
如图1a、图1b所示，为本申请实施例提供的一种电堆故障的预判方法的流程图，应用于上位机，包括：
S101：当接收到预设设备发送的所有单体电压时，将所有单体电压存储至数据库中。
其中，预设设备包括但不限于为：车载远程信息处理器，单体电压指示电堆单体电压。
需要说明的是，通过预设通讯方式(例如CAN通讯方式)，利用燃料电池控制单元(fuel cell control unit,FCU)读取燃料电池电堆总数为N节的单体电压数据，经由车载远程信息处理器通过以太网周期性向上位机发送单体电压数据。
S102：从数据库中获取第一预设时间段内的预设电压区间的各个单体电压。
其中，预设电压区间包括但不限于为：最小电流密度至最大电流密度区间。
可选的，第一预设时间段可根据实际情况进行设置，在此不做具体限制。
S103：根据各个单体电压，建立总体单体电压矩阵。
其中，根据各个单体电压建立总体单体电压矩阵的具体实现过程为：利用矩阵公式建立总体单体电压矩阵，矩阵公式的具体表现形式，如公式(1)所示。
Figure BDA0004007068680000061
在公式(1)中，U为总体单体电压矩阵，Ut,N为第t时刻的第n节单池的电压值，t为1至T的任一时刻t，任一时刻t单体电压值对应的最小电流密度值为Itn,min，最大电流密度值为Itn,max。
S104：根据总体单体电压矩阵，构建各个单体电压矩阵。
其中，各个单体电压矩阵的具体表现形式，如公式(2)所示。
Figure BDA0004007068680000062
在公式(2)中，Un第n节燃料电池电堆单池在预设时间段内的1至T时刻的所有单体电压值。
S105：对于各个单体电压矩阵，对单体电压矩阵进行去中心化处理，得到去中心化后的单体电压矩阵。
其中，对单体电压矩阵进行去中心化处理的具体实现过程为：利用去中心化公式对单体电压矩阵进行去中心化处理，去中心化公式的具体表现形式，如公式(3)所示。
Figure BDA0004007068680000071
在公式(3)中，U’n为去中心化后的单体电压矩阵，U’t,n为去中心化后第t时刻的第n节单池的单体电压值。
S106：根据去中心化后的单体电压矩阵，建立协方差矩阵。
需要说明的是，协方差矩阵的具体表现形式，如公式(4)所示。
Figure BDA0004007068680000072
其中，
Figure BDA0004007068680000073
Figure BDA0004007068680000074
在公式(4)中，Var(U’N)为燃料电池电堆第n节单池在1至t时刻区间的协方差，Cov(U’N,U’n)为燃料电池电堆第N节单池与第n节单池在1至t时刻区间的协方差，单体电压协方差矩阵Q能够体现在时刻1至T区间内任一节单池电压的变化规律和任两节单池电压之间的变化程度的规律，可以反映在1至T时刻范围及电流密度Itn,min至Itn,max区间内的单池单体电压变化规律，体现发生燃料电池性能故障时(包括但不限于窜漏问题)燃料电池电堆电压变化的不同程度。
需要说明的是，发生电堆性能故障将导致燃料电池电堆所有单池的单体电压随着时间变化的程度将发生明显变化，且各单体电池之间相互的变化关系也会发生变化，因此，建立协方差矩阵计算每一节单池与其他单池之间的协方差。
S107：对协方差矩阵进行奇异值分解，得到差异性的权重值、一致性的权重值。
其中，差异性指示燃料电池电堆性能差异性，一致性指示燃料电池电堆性能一致性。
需要说明的是，对协方差进行奇异值分解的具体实现过程为：利用奇异值分解公式对协方差矩阵进行奇异值分解，奇异值分解公式的具体表现形式，如公式(5)所示。
Figure BDA0004007068680000081
在公式(5)中，u和uT分别为对应燃料电池电堆N节单体电压的两个新主元的正交矩阵，ux,n为燃料电堆电池第n节单体电压差异性的权重值，uy,n为燃料电堆电池第n节单体电压一致性的权重值，
Figure BDA0004007068680000082
和
Figure BDA0004007068680000083
为缩小T倍的奇异值，
Figure BDA0004007068680000084
为差异性的重要性，
Figure BDA0004007068680000085
为一致性的重要性，T为燃料电池电堆单池电压样本的总时长。
S108：根据差异性的权重值、一致性的权重值、总体单体电压矩阵，计算得到差异性数据点、一致性数据点。
其中，差异性数据点指示燃料电池电堆差异性的数据点，一致性数据点指示燃料电池电堆一致性的数据点。
需要说明的是，根据差异性的权重值、一致性的权重值、总体单体电压矩阵，计算得到差异性数据点、一致性数据点的具体实现过程为：利用数据点计算公式进行计算，数据点计算公式的具体表现形式，如公式(6)所示。
Figure BDA0004007068680000091
在公式(6)中，Xnew为差异性数据点，Ynew一致性数据点，Xt燃料电池电堆差异性的电压样本点，Yt燃料电池电堆一致性的电压样本点。
S109：计算第二预设时间段内的差异性数据点与一致性数据点之间的样本距离，得到各个样本距离。
可选的，第二预设时间段可为t-1时刻至1时刻。
需要说明的是，计算第一预设时间段内的差异性数据点与一致性数据点之间的样本距离的具体实现过程为：利用样本距离公式进行计算，样本距离公式的具体表现形式，如公式(7)所示。
Figure BDA0004007068680000092
在公式(7)中，d为样本距离，Xt-1为t-1时刻差异性数据点的电压样本点，X1为1时刻差异性数据点的电压样本点，Yt-1为t-1时刻一致性数据点的电压样本点，Y1为1时刻一致性数据点的电压样本点。
S110：从各个样本距离中选取最大的样本距离，并标识为目标样本距离。
S111：根据目标样本距离，计算得到局部密度。
需要说明的是，根据目标样本距离，计算得到局部密度的具体实现过程为：利用局部密度公式进行计算，局部密度公式的具体表现形式，如公式(8)所示。
Figure BDA0004007068680000093
在公式(8)中，δt-1为局部密度，dt-1为第t-1时刻差异性数据点与一致性数据点至1时刻的最大样本距离(即目标样本距离)。
S112：周期性计算差异性数据点与一致性数据点的所有局部密度，得到目标局部密度。
需要说明的是，周期性计算差异性数据点与一致性数据点的所有局部密度的具体实现过程为：利用目标局部密度公式进行计算，目标局部密度公式进行计算，目标局部密度公式的具体表现形式，如公式(9)所示。
Figure BDA0004007068680000101
在公式(9)中，δi为第i时刻的局部密度。
S113：根据局部密度、目标局部密度，计算得到局部离群因子。
需要说明的是，根据局部密度、目标局部密度，计算得到局部离群因子的具体实现过程为：利用局部离群因子公式进行计算，局部离群因子公式的具体表现形式，如公式(10)所示。
Figure BDA0004007068680000102
在公式(10)中，αt为局部离群因子。
S114：判断局部离群因子是否不大于预设阈值。
若局部离群因子不大于预设阈值，则执行S115，否则执行S116。
可选的，预设阈值可以为1。
具体的，假设局部离群因子为0.5，判断局部离群因子是否不大于预设阈值，显然，局部离群因子不大于预设阈值，为此，继续执行S115。
S115：确认电堆电压为正常运行状态。
S116：确认电堆电压为预警状态。
需要说明的是，由于燃料电池汽车运行工况存在随机性，并且电压信号传输有概率出现个别异常现象，因此，预警状态的可能为操作异常导致的个别现象，并非电堆性能故障，因此，为了避免噪声数据与数据集中区域轻微偏离但被错误识别为异常数据的情况，需要进行二次判断。
S117：基于第三预设时间段内的差异性数据点、一致性数据点，构建数据集。
可选的，第三预设时间段可以为第1时刻至第t+5×P时刻。
需要说明的是，数据集的具体表现形式，如公式(11)所示。
Nε(Uj)＝{Uj∈U1,t+5×P|d(Ui,Uj)≤ε} (11)
其中，|Nε(Uj)|≥P
在公式(11)中，Ui为第i时刻差异性数据点和一致性数据点，Uj为第j时刻差异性数据点和一致性数据点，ε为圆心，Nε(Ui)为第1时刻至t+5×P时刻内差异性数据点和一致性数据点以ε为圆心的样本集合，Nε(Uj)第1时刻至t+5×P时刻内差异性数据点和一致性数据点以ε为圆心的样本集合，Ui为Uj的ε-邻域中除Uj外的任一样本点，任一属于Ui的ε-邻域但不属于Uj的ε-邻域的差异性数据点和一致性数据点Uk为密度相连。
S118：基于数据集建立聚类指标。
其中，聚类指标的具体表现形式，如公式(12)所示。
Figure BDA0004007068680000111
在公式(12)中，Uk为第k时刻差异性数据点和一致性数据点，connectionnormal为聚类指标。
S119：判断聚类指标是否为预设阈值。
若聚类指标为预设阈值，则执行S120，否则执行S121。
具体的，假设聚类指标为0，预设阈值为1，判断聚类指标是否为预设阈值，显然，聚类指标不为预设阈值，为此，继续执行S121。
S120：将预警状态更改为正常运行状态。
需要说明的是，当聚类指标为预设阈值时，说明差异性数据点和一致性数据点密度相连，则将预警状态更改为正常运行状态。
S121：基于第四预设时间段内的差异性数据点、一致性数据点，构建目标数据集。
可选的，第四预设时间段为第t时刻至第t+5×P时刻。
其中，当聚类指标不为预设阈值时，说明差异性数据点和一致性数据点密度不相连，则基于第四预设时间段内的差异性数据点、一致性数据点，构建目标数据集。
需要说明的是，目标数据集的具体表现形式，如公式(13)所示。
N’ε(Uj)＝{Uj∈Ut,t+5×P|d(Ui,Uj)≤ε} (13)
其中，|N’ε(Uj)|≥P
在公式(13)中，Nε’(Ui)为第i时刻至t+5×P时刻内差异性数据点和一致性数据点以ε为圆心的样本集合，Nε’(Uj)第j时刻至t+5×P时刻内差异性数据点和一致性数据点以ε为圆心的样本集合。
S122：基于目标数据集建立目标聚类指标。
其中，目标聚类指标的具体表现形式，如公式(14)所示。
Figure BDA0004007068680000121
在公式(14)中，connectionwarning为目标聚类指标。
S123：判断目标聚类指标是否为预设阈值。
若目标聚类指标为预设阈值，则执行S124，否则执行S125。
可选的，可通过故障指标判断电堆是否异常，故障指标基于目标聚类指标、聚类指标预先构建，其中，故障指标的具体表现形式，如公式(15)所示。
Figure BDA0004007068680000122
在公式(15)中，z为故障指标，当z＝0时说明未发生电堆性故障，若z＝1时说明发生还未影响正常使用的电堆性能故障，但持续无处理则会导致电堆不可逆的损坏，因此将预警状态更改为故障状态，若z＝2时出现无规律分布，为车载远程信息处理器信号传输问题，其中，预警状态、正常状态以及故障状态可如图1c所示。
S124：将预警状态更改为故障状态。
S125：向用户发送提示信息。
其中，提示信息指示提示用户检查预设设备的信息。
综上所述，当聚类指标不为预设阈值时，基于第二预设时间段内的差异性数据点、一致性数据点，构建目标数据集，基于目标数据集建立目标聚类指标，当目标聚类指标为预设阈值时，将预警状态更改为故障状态，与现有技术相比，不需要通过专业的工程师人为操作改变阴阳两侧压差，通过判断聚类指标以及目标聚类指标是否为预设阈值，就可获悉当前电堆情况，因此，实现了实车在线运行时电堆性能故障的预判。
如图2所示，为本申请实施例提供的另一种电堆故障的预判方法的流程图，包括：
S201：根据差异性的权重值、一致性的权重值、总体单体电压矩阵，计算得到差异性数据点、一致性数据点。
其中，差异性的权重值以及一致性的权重值基于协方差矩阵预先处理得到；总体电压矩阵基于各个单体电压预先建立。
S202：根据差异性数据点、一致性数据点确定目标样本距离。
S203：根据目标样本距离，计算得到局部密度。
S204：周期性计算差异性数据点与一致性数据点的所有局部密度，得到目标局部密度。
S205：根据局部密度、目标局部密度，计算得到局部离群因子。
S206：当局部离群因子大于预设阈值时，确认电堆电压为预警状态。
S207：根据差异性数据点、一致性数据点构建聚类指标以及目标聚类指标。
S208：当聚类指标不为预设阈值，且目标聚类指标为预设阈值时，将预警状态更改为故障状态。
综上所述，当聚类指标不为预设阈值时，基于第二预设时间段内的差异性数据点、一致性数据点，构建目标数据集，基于目标数据集建立目标聚类指标，当目标聚类指标为预设阈值时，将预警状态更改为故障状态，与现有技术相比，不需要通过专业的工程师人为操作改变阴阳两侧压差，通过判断聚类指标以及目标聚类指标是否为预设阈值，就可获悉当前电堆情况，因此，实现了实车在线运行时电堆性能故障的预判。
如图3所示，为本申请实施例提供的一种电堆故障的预判装置的架构示意图，包括：
第一计算单元100，用于根据差异性的权重值、一致性的权重值、总体单体电压矩阵，计算得到差异性数据点、一致性数据点；差异性的权重值以及一致性的权重值基于协方差矩阵预先处理得到；总体电压矩阵基于各个单体电压预先建立。
第一计算单元100具体用于：当接收到预设设备发送的所有单体电压时，将所有单体电压存储至数据库中；从数据库中获取第一预设时间段内的预设电压区间的各个单体电压；根据各个单体电压，建立总体单体电压矩阵。
第一计算单元100具体用于：根据总体单体电压矩阵，构建各个单体电压矩阵；对于各个单体电压矩阵，对单体电压矩阵进行去中心化处理，得到去中心化后的单体电压矩阵；根据去中心化后的单体电压矩阵，建立协方差矩阵；对协方差矩阵进行奇异值分解，得到差异性的权重值、一致性的权重值。
确定单元200，用于根据差异性数据点、一致性数据点确定目标样本距离。
确定单元200具体用于：计算第二预设时间段内的差异性数据点与一致性数据点之间的样本距离，得到各个样本距离；从各个样本距离中选取最大的样本距离，并标识为目标样本距离。
第二计算单元300，用于根据目标样本距离，计算得到局部密度。
第三计算单元400，用于周期性计算差异性数据点与一致性数据点的所有局部密度，得到目标局部密度。
第四计算单元500，用于根据局部密度、目标局部密度，计算得到局部离群因子。
确认单元600，用于当局部离群因子大于预设阈值时，确认电堆电压为预警状态。
构建单元700，用于根据差异性数据点、一致性数据点构建聚类指标以及目标聚类指标。
构建单元700具体用于：基于第三预设时间段内的差异性数据点、一致性数据点，构建数据集；基于数据集建立聚类指标；当聚类指标不为预设阈值时，基于第四预设时间段内的差异性数据点、一致性数据点，构建目标数据集；基于目标数据集建立目标聚类指标。
更改单元800，用于当聚类指标不为预设阈值，且目标聚类指标为预设阈值时，将预警状态更改为故障状态。
更改单元800，还用于当聚类指标为预设阈值时，将预警状态更改为正常运行状态。
更改单元800，还用于当目标聚类指标不为预设阈值时，向用户发送提示信息。
综上所述，当聚类指标不为预设阈值时，基于第二预设时间段内的差异性数据点、一致性数据点，构建目标数据集，基于目标数据集建立目标聚类指标，当目标聚类指标为预设阈值时，将预警状态更改为故障状态，与现有技术相比，不需要通过专业的工程师人为操作改变阴阳两侧压差，通过判断聚类指标以及目标聚类指标是否为预设阈值，就可获悉当前电堆情况，因此，实现了实车在线运行时电堆性能故障的预判。
本申请还提供了一种计算机可读存储介质，计算机可读存储介质包括存储的程序，其中，程序执行上述本申请提供的电堆故障的预判方法。
本申请还提供了一种电堆故障的预判设备，包括：处理器、存储器和总线。处理器与存储器通过总线连接，存储器用于存储程序，处理器用于运行程序，其中，程序运行时执行上述本申请提供的电堆故障的预判方法，包括如下步骤：
根据差异性的权重值、一致性的权重值、总体单体电压矩阵，计算得到差异性数据点、一致性数据点；所述差异性的权重值以及所述一致性的权重值基于协方差矩阵预先处理得到；所述总体电压矩阵基于各个单体电压预先建立；
根据所述差异性数据点、所述一致性数据点确定目标样本距离；
根据所述目标样本距离，计算得到局部密度；
周期性计算所述差异性数据点与所述一致性数据点的所有局部密度，得到目标局部密度；
根据所述局部密度、所述目标局部密度，计算得到局部离群因子；
当所述局部离群因子大于预设阈值时，确认电堆电压为预警状态；
根据所述差异性数据点、所述一致性数据点构建聚类指标以及目标聚类指标；
当所述聚类指标不为所述预设阈值，且所述目标聚类指标为所述预设阈值时，将所述预警状态更改为故障状态。
可选的，基于各个单体电压预先建立所述总体电压矩阵的过程，包括：
当接收到预设设备发送的所有单体电压时，将所有所述单体电压存储至数据库中；
从所述数据库中获取第一预设时间段内的预设电压区间的各个所述单体电压；
根据各个所述单体电压，建立所述总体单体电压矩阵。
可选的，基于协方差矩阵预先处理得到差异性的权重值以及所述一致性的权重值的过程，包括：
根据所述总体单体电压矩阵，构建各个单体电压矩阵；
对于各个所述单体电压矩阵，对所述单体电压矩阵进行去中心化处理，得到去中心化后的单体电压矩阵；
根据所述去中心化后的单体电压矩阵，建立所述协方差矩阵；
对所述协方差矩阵进行奇异值分解，得到所述差异性的权重值、所述一致性的权重值。
可选的，所述根据所述差异性数据点、所述一致性数据点确定目标样本距离，包括：
计算第二预设时间段内的所述差异性数据点与所述一致性数据点之间的样本距离，得到各个样本距离；
从各个所述样本距离中选取最大的样本距离，并标识为目标样本距离。
可选的，所述根据所述差异性数据点、所述一致性数据点构建聚类指标以及目标聚类指标，包括：
基于第三预设时间段内的所述差异性数据点、所述一致性数据点，构建数据集；
基于所述数据集建立聚类指标；
当所述聚类指标不为所述预设阈值时，基于第四预设时间段内的所述差异性数据点、所述一致性数据点，构建目标数据集；
基于所述目标数据集建立目标聚类指标。
可选的，还包括：
当所述聚类指标为所述预设阈值时，将所述预警状态更改为正常运行状态。
可选的，还包括：
当所述目标聚类指标不为所述预设阈值时，向用户发送提示信息。
本申请实施例方法所述的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设备可读取存储介质中。基于这样的理解，本申请实施例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设备(可以是个人计算机，服务器，移动计算设备或者网络设备等)执行本申请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、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种电堆故障的预判方法，其特征在于，包括：
根据差异性的权重值、一致性的权重值、总体单体电压矩阵，计算得到差异性数据点、一致性数据点；所述差异性的权重值以及所述一致性的权重值基于协方差矩阵预先处理得到；所述总体电压矩阵基于各个单体电压预先建立；
根据所述差异性数据点、所述一致性数据点确定目标样本距离；
根据所述目标样本距离，计算得到局部密度；
周期性计算所述差异性数据点与所述一致性数据点的所有局部密度，得到目标局部密度；
根据所述局部密度、所述目标局部密度，计算得到局部离群因子；
当所述局部离群因子大于预设阈值时，确认电堆电压为预警状态；
根据所述差异性数据点、所述一致性数据点构建聚类指标以及目标聚类指标；
当所述聚类指标不为所述预设阈值，且所述目标聚类指标为所述预设阈值时，将所述预警状态更改为故障状态。
2.根据权利要求1所述的方法，其特征在于，基于各个单体电压预先建立所述总体电压矩阵的过程，包括：
当接收到预设设备发送的所有单体电压时，将所有所述单体电压存储至数据库中；
从所述数据库中获取第一预设时间段内的预设电压区间的各个所述单体电压；
根据各个所述单体电压，建立所述总体单体电压矩阵。
3.根据权利要求1所述的方法，其特征在于，基于协方差矩阵预先处理得到差异性的权重值以及所述一致性的权重值的过程，包括：
根据所述总体单体电压矩阵，构建各个单体电压矩阵；
对于各个所述单体电压矩阵，对所述单体电压矩阵进行去中心化处理，得到去中心化后的单体电压矩阵；
根据所述去中心化后的单体电压矩阵，建立所述协方差矩阵；
对所述协方差矩阵进行奇异值分解，得到所述差异性的权重值、所述一致性的权重值。
4.根据权利要求1所述的方法，其特征在于，所述根据所述差异性数据点、所述一致性数据点确定目标样本距离，包括：
计算第二预设时间段内的所述差异性数据点与所述一致性数据点之间的样本距离，得到各个样本距离；
从各个所述样本距离中选取最大的样本距离，并标识为目标样本距离。
5.根据权利要求1所述的方法，其特征在于，所述根据所述差异性数据点、所述一致性数据点构建聚类指标以及目标聚类指标，包括：
基于第三预设时间段内的所述差异性数据点、所述一致性数据点，构建数据集；
基于所述数据集建立聚类指标；
当所述聚类指标不为所述预设阈值时，基于第四预设时间段内的所述差异性数据点、所述一致性数据点，构建目标数据集；
基于所述目标数据集建立目标聚类指标。
6.根据权利要求1所述的方法，其特征在于，还包括：
当所述聚类指标为所述预设阈值时，将所述预警状态更改为正常运行状态。
7.根据权利要求1所述的方法，其特征在于，还包括：
当所述目标聚类指标不为所述预设阈值时，向用户发送提示信息。
8.一种电堆故障的预判装置，其特征在于，包括：
第一计算单元，用于根据差异性的权重值、一致性的权重值、总体单体电压矩阵，计算得到差异性数据点、一致性数据点；所述差异性的权重值以及所述一致性的权重值基于协方差矩阵预先处理得到；所述总体电压矩阵基于各个单体电压预先建立；
确定单元，用于根据所述差异性数据点、所述一致性数据点确定目标样本距离；
第二计算单元，用于根据所述目标样本距离，计算得到局部密度；
第三计算单元，用于周期性计算所述差异性数据点与所述一致性数据点的所有局部密度，得到目标局部密度；
第四计算单元，用于根据所述局部密度、所述目标局部密度，计算得到局部离群因子；
确认单元，用于当所述局部离群因子大于预设阈值时，确认电堆电压为预警状态；
构建单元，用于根据所述差异性数据点、所述一致性数据点构建聚类指标以及目标聚类指标；
更改单元，用于当所述聚类指标不为所述预设阈值，且所述目标聚类指标为所述预设阈值时，将所述预警状态更改为故障状态。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的程序，其中，所述程序被处理器运行时执行权利要求1-7任一所述的电堆故障的预判方法。
10.一种电堆故障的预判设备，其特征在于，包括：处理器、存储器和总线；所述处理器与所述存储器通过所述总线连接；
所述存储器用于存储程序，所述处理器用于运行程序，其中，所述程序被处理器运行时执行权利要求1-7任一所述的电堆故障的预判方法。
CN202211634687.5A 2022-12-19 2022-12-19 一种电堆故障的预判方法、装置、存储介质及设备 Pending CN115795269A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211634687.5A CN115795269A (zh) 2022-12-19 2022-12-19 一种电堆故障的预判方法、装置、存储介质及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211634687.5A CN115795269A (zh) 2022-12-19 2022-12-19 一种电堆故障的预判方法、装置、存储介质及设备

Publications (1)

Publication Number Publication Date
CN115795269A true CN115795269A (zh) 2023-03-14

Family

ID=85425859

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211634687.5A Pending CN115795269A (zh) 2022-12-19 2022-12-19 一种电堆故障的预判方法、装置、存储介质及设备

Country Status (1)

Country Link
CN (1) CN115795269A (zh)

Similar Documents

Publication Publication Date Title
US10302703B2 (en) Lithium-ion battery safety monitoring
US8088525B2 (en) Online low performing cell (LPC) prediction and detection of fuel cell system
CN110579716B (zh) 一种电池检测方法及装置
US8420271B2 (en) Method to improve reliability of a fuel cell system using low performance cell detection at low power operation
CN112563542B (zh) 燃料电池在线检测方法及检测系统
CN113793956B (zh) 膜电极状态检测方法、检测系统、电子设备及存储介质
CN114394033B (zh) 电池包检测方法、装置、设备和介质
CN111460656A (zh) 一种电力机房通信电源运行寿命评估方法和系统
CN112098000A (zh) 一种可精确判断气体泄漏的氢燃料电池电堆气密测试方法
CN102169165A (zh) 燃料电池堆的最小电池电压退化的早期检测
CN111628195A (zh) 一种基于逻辑推理的燃料电池电堆实时状态识别方法
Xiao et al. Fault diagnosis method for proton exchange membrane fuel cells based on EIS measurement optimization
CN113540589B (zh) 一种电池温差自适应阈值确定方法及系统
CN112563543B (zh) 一种燃料电池系统的寿命预测及维护方法
CN115795269A (zh) 一种电堆故障的预判方法、装置、存储介质及设备
CN115993555A (zh) 储能电池组一致性等级的确定方法及装置
CN112816778A (zh) 一种计量自动化终端控制辅助系统
CN117312927B (zh) 全钒液流电池储能系统的电解液泄露故障预测方法及装置
Wu et al. Methods for estimating the accumulated nitrogen concentration in anode of proton exchange membrane fuel cell stacks based on back propagation neural network
US20240185318A1 (en) Fuel-cell secondary-use determination system and fuel-cell secondary-use determination method
CN115312816B (zh) 一种质子膜燃料电池的性能测试方法及系统
CN115172828B (zh) 一种燃料电池水热联合控制方法、系统以及存储介质
CN117673406A (zh) 一种全钒液流电池智能监控系统
CN115524613A (zh) 储能电池的内短路故障诊断方法、装置、系统与存储介质
Li et al. Health state monitoring and predicting of proton exchange membrane fuel cells: A review

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