CN115951223A - 储能电站异常电池箱检测方法、装置及电子设备 - Google Patents
储能电站异常电池箱检测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN115951223A CN115951223A CN202210904839.2A CN202210904839A CN115951223A CN 115951223 A CN115951223 A CN 115951223A CN 202210904839 A CN202210904839 A CN 202210904839A CN 115951223 A CN115951223 A CN 115951223A
- Authority
- CN
- China
- Prior art keywords
- battery box
- characteristic data
- data
- battery
- energy storage
- 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
-
- 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
- Secondary Cells (AREA)
Abstract
本发明公开了一种储能电站异常电池箱检测方法、装置及电子设备,属于储能电站安全技术领域。所述储能电站配置有若干电池箱,所述方法包括:获取每个所述电池箱的待测特征数据,所述待测特征数据表征所述电池箱的当前性能;根据所述待测特征数据确定每个所述电池箱在预先获取的高斯混合分布模型中的分布概率,所述高斯混合分布模型根据所述电池箱的历史特征数据拟合得到,所述历史特征数据与所述待测特征数据的数据种类相同;判断所述分布概率是否小于预设阈值,若是,将相对应的所述电池箱判断为异常电池箱。
Description
技术领域
本发明涉及储能电站安全技术领域,特别涉及一种储能电站异常电池箱检测方法、装置及电子设备。
背景技术
储能电站的电池通常以电池堆、电池簇、电池箱、电池芯的方式逐层排布。每个电池簇对应一个双向逆变器系统与电网侧进行交互。当前,储能电站多采用锂电池作为电池芯,锂电池如果操作和管理不当会出现热失控、燃烧甚至爆炸的危险,因此需要及时采集电池数据,以检测出储能电站中异常的电池芯。
相关技术中采用基于统计学中箱型图的方法进行检测,具体基于百分位数来筛选异常值点。但是该统计方法需要假设原始数据满足一定的分布规律。一旦原始数据没有明显的分布规律,则很难实现准确检测。
发明内容
本发明要解决的技术问题是为了克服现有技术中异常电池箱检测方法不准确的缺陷,提供一种储能电站异常电池箱检测方法、装置及电子设备。
本发明是通过下述技术方案来解决上述技术问题:
第一方面,本发明提供了一种储能电站异常电池箱检测方法,所述储能电站配置有若干电池箱,所述方法包括:
获取每个所述电池箱的待测特征数据,所述待测特征数据表征所述电池箱的当前性能;
根据所述待测特征数据确定每个所述电池箱在预先获取的高斯混合分布模型中的分布概率,所述高斯混合分布模型根据所述电池箱的历史特征数据拟合得到,所述历史特征数据与所述待测特征数据的数据种类相同;
判断所述分布概率是否小于预设阈值,若是,将相对应的所述电池箱判断为异常电池箱。
可选地,所述电池箱包括若干个电池芯,所述获取每个所述电池箱的待测特征数据,包括:
获取所述若干个电池芯的工况数据;
根据所述工况数据获取所述待测特征数据。
可选地,所述工况数据包括电压数据和温度数据;
所述待测特征数据包括所述若干个电池芯的电压的平均值、最大值、最小值、标准差、偏度和峰度,以及所述若干个电池芯的温度的平均值、最大值、最小值、标准差、偏度和峰度。
可选地,所述方法还包括:
以所述电池箱的历史特征数据作为样本,确定所述高斯混合分布模型的特征参数,所述特征参数包括所述高斯混合分布中每个高斯分布的权重、均值向量和协方差矩阵;
基于所述特征参数确定所述高斯混合分布模型中高斯分布的数量;
根据所述特征参数和所述高斯分布的数量确定所述高斯混合分布模型。
第二方面,本发明提供了一种储能电站异常电池箱检测装置,所述装置包括:
第一获取模块,用于获取每个所述电池箱的待测特征数据,所述待测特征数据表征所述电池箱的当前性能;
第一确定模块,用于根据所述待测特征数据确定每个所述电池箱在预先获取的高斯混合分布模型中的分布概率,所述高斯混合分布模型根据所述电池箱的历史特征数据拟合得到,所述历史特征数据与所述待测特征数据的数据种类相同;
判断模块,用于判断所述分布概率是否小于预设阈值,若是,将相对应的所述电池箱判断为异常电池箱。
可选地,所述电池箱包括若干个电池芯,所述第一获取模块包括:
第一获取单元,用于获取所述若干个电池芯的工况数据;
第二获取单元,用于根据所述工况数据获取所述待测特征数据。
可选地,所述工况数据包括电压数据和温度数据;
所述待测特征数据包括所述若干个电池芯的电压的平均值、最大值、最小值、标准差、偏度和峰度,以及所述若干个电池芯的温度的平均值、最大值、最小值、标准差、偏度和峰度。
可选地,所述装置还包括:
第二确定模块,用于以所述电池箱的历史特征数据作为样本,确定所述高斯混合分布模型的特征参数,所述特征参数包括所述高斯混合分布中每个高斯分布的权重、均值向量和协方差矩阵;
第三确定模块,用于基于所述特征参数确定所述高斯混合分布模型中高斯分布的数量;
第二获取模块,用于获取根据所述特征参数和所述高斯分布的数量确定所述高斯混合分布模型。
第三方面,本发明提供了一种电子设备,包括存储器、处理器以及存储在存储器上并可在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如上述第一方面所述的储能电站异常电池箱检测方法。
第四方面,本发明提供了一种一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述第一方面所述的储能电站异常电池箱检测方法。
本发明的积极进步效果在于:
本发明提供的储能电站异常电池箱检测方法通过预先建立的高斯混合分布模型来定位异常的电池箱,高斯混合分布模型能够准确拟合电池箱整体特性参数的实际情况,提高异常电池箱检测的准确性。
附图说明
图1是根据一示例性实施例示出的储能电站异常电池箱检测方法的流程图;
图2是根据另一示例性实施例示出的储能电站异常电池箱检测方法的流程图;
图3是根据另一示例性实施例示出的储能电站异常电池箱检测方法的流程图;
图4是根据一示例性实施例示出的BIC和AIC的变化示意图;
图5是根据一示例性实施例示出的储能电站异常电池箱检测装置示意图;
图6是根据另一示例性实施例示出的储能电站异常电池箱检测装置示意图;
图7是根据另一示例性实施例示出的储能电站异常电池箱检测装置示意图;
图8为根据一示例性实施例示出的电子设备的结构示意图。
具体实施方式
下面通过实施例的方式进一步说明本发明,但并不因此将本发明限制在所述的实施例范围之中。
第一方面,本发明实施例提供了一种储能电站异常电池箱检测方法,该方法应用于储能电站,储能电站配置有若干电池箱。具体地,储能电站的电池按照电池堆、电池簇、电池箱和电池芯的方式分层布局。电池芯为储能电站中最小储能单体,若干个电池芯组成一个电池箱。本发明实施例提供的检测方法用于定位到出现异常的电池箱,进而为电站安全管理提供参考依据。
图1是根据一示例性实施例示出的储能电站异常电池箱检测方法的流程图。如图1所示,方法包括:
步骤S101、获取每个电池箱的待测特征数据,待测特征数据表征电池箱的当前性能。
电池箱的当前性能直接反映了电池箱中电池芯的实时工作情况,一旦电池芯出现异常会直接影响待测特征数据。在一个示例中,图2是根据另一示例性实施例示出的异常电池箱检测方法的流程图,如图2所示,步骤S101具体包括:
步骤S1011、获取若干个电池芯的工况数据。
示例地,储能电站配置有4堆12簇14箱16电芯,步骤S1011中获取10752个电芯的电压数据和温度数据。
步骤S1012、根据所述工况数据提取所述待测特征数据。
可选地,工况数据包括电池芯的电压数据和温度数据,步骤S1012中所述的待测特征数据包括:若干个电池芯的电压的平均值、最大值、最小值、标准差、偏度和峰度,以及若干个电池芯的温度的平均值、最大值、最小值、标准差、偏度和峰度。其中,所述电压数据和温度数据仅为示例,还可以根据需求选择电池芯的其他工况数据,例如电池芯充电工况数据、放电工况数据。待测特征数据的数量和类型也不限于上述示例,可根据需求选择能够表征电池工作状态的参数。
在本发明实施例中,通过步骤S1012将步骤S1011中获取的数据进行了降维处理,采用待测特征数据参与后续检测步骤,减少了待处理的数据量,满足实时检测需求。
继续参照图1,在步骤S101之后执行步骤S102,具体如下。
步骤S102、根据待测特征数据确定每个电池箱在预先获取的高斯混合分布模型中的分布概率,高斯混合分布模型根据电池箱的历史特征数据拟合得到。
根据历史特征数据拟合得到的高斯混合分布模型反映了电池箱特征数据的分布情况。其中,历史特征数据与待测特征数据的数据种类相同。具体来说,待测特征数据为电池芯电压的最大值、最小值和平均值,则历史特征数据也为电池芯电压的最大值、最小值和平均值。以此方式,根据待测特征数据和所述高斯混合分布模型能够确定出当前电池箱特征数据的分布情况,准确检测出异常电池箱。
步骤S103、判断所述分布概率是否小于预设阈值,若是,将相对应的电池箱判断为异常电池箱。
在高斯混合分布模型中,当特征数据的分布概率小于预设阈值时表明特征数据为异常情况。特征数据反映了电池箱的性能,也即,当特征数据的分布概率小于预设阈值时,表明与特征数据对应的电池箱性能出现异常。其中,预设阈值可根据使用需求自行设定。
此外,根据所述分布概率与预设阈值的差异还能够体现出电池箱的差异情况。举例来说,当所述分布概率与所述预设阈值的差值大于设定值时,判定与所述分布概率相对应的电池箱为一级异常程度,应尽快采取补救措施;当所述分布概率与所述预设阈值的差值小于或者等于设定值时,判定与所述分布概率相对应的电池箱为二级异常程度,可暂缓处理。
综上所述,本发明实施例提供的储能电站异常电池箱检测方法通过预先建立的高斯混合分布模型来定位异常的电池箱,高斯混合分布模型能够准确匹配电池箱整体特性参数的分布情况,提高异常电池箱检测的准确性。并且,整体方法对所采集的电池芯数据进行了降维处理,提高检测效率,满足检测实时性的要求。依据最后得到的分布概率还可在一定程度上量化电池箱的异常程度,以为后续工作提供指导。
在一个实施例中,本发明实施例提供的检测方法还包括获取所述高斯混合分布模型。图3是根据另一示例性实施例示出的储能电站异常电池箱检测方法的流程图。如图3所示,所述方法包括:
步骤S301、以电池箱的历史特征数据作为样本,确定高斯混合分布模型的特征参数,特征参数包括高斯混合分布中每个高斯分布的权重、均值向量和协方差矩阵。
第一步、对若干个电池箱的历史特征数据建立高斯混合分布模型,如下:
其中,PM(x)为样本x在该高斯混合分布模型中被选中的概率,在本发明实施例中,样本x是一个电池箱的历史特征数据所形成的向量;k为高斯分布的数量,βi为第i个高斯分布的权重,μi为第i个高斯分布的均值向量,Ci为第i个高斯分布的协方差矩阵。p(x|μi,Ci)为高斯分布概率密度函数,其定义如下:
第二步、对高斯混合分布模型PM(x)进行特征参数识别,其中参数包括βi、μi、Ci。可选地,通过最大似然估计法对高斯混合分布模型PM(x)进行特征参数识别。将m个电池箱的历史特征数据作为独立事件,m个样本被提取出来的概率为:
对上面公式取对数可得:
其中,L(βi,μi,Ci)表示m个样本的最大似然函数。采用最大似然估计法进行参数识别时,通过选择合适的所述参数使得L(βi,μi,Ci)为最大。
(1)采用以下方式求解βi:
引入拉格朗日乘子将公式(1)转换为:
对表达式(2)中βi求骗到并令其为0,得到
表达式(3)中,γji表示第j个样本在第i个高斯分布中的概率。
(2)采用以下方式求解μi:
进一步得到,
(3)采用以下方式求解Ci:
进一步得到,
第三步、通过对于第一步和第二步进行迭代,将PM(x)最大时对应的参数βi,μi、Ci确定为高斯混合分布的特征参数,进而得到高斯混合分布面模型M(k)。
步骤S302、基于特征参数确定高斯混合分布模型中高斯分布的数量。
在确定高斯混合分布模型M(k)之后,选取不同的k值重复所述第三步。并且,引入BIC和AIC指标来确定高斯分布的个数。根据BIC贝叶斯信息准则确定BIC=log(m)p-2(L),根据AIC赤池信息准则确定AIC=2p-2(L);其中,L是最大对数依然函数的值,m是样本数,p是在具有k个高斯分布的情况下高斯混合分布模型中特征参数的个数,所述特征参数包括βi,μi、Ci。图4是根据一示例性实施例示出的BIC和AIC的变化示意图。如图4所示,当AIC和BIC无明显下降时的k值,作为最终确定的高斯分布的个数。
继续参见图3,在步骤S302之后执行步骤S303,具体如下:
步骤S303、根据所述特征参数和所述高斯分布的数量确定所述高斯混合分布模型。
通过步骤S301~步骤S303获取电池箱历史特征数据的高斯混合分布模型,该模型有效拟合出了电池箱特征数据的分布情况,为异常电池箱检测提供参考,提高检测准确度。
综上所述,本发明实施例提供的储能电站异常电池箱检测方法能够快速、准确地定位到出现异常的电池箱,为储能电站安全生产提供有效保障。
第二方面,本发明实施例提供了一种储能电站异常电池箱检测装置。图5是根据一示例性实施例示出的储能电站异常电池箱检测装置示意图,如图5所示,所述装置包括:
第一获取模块510,用于获取每个电池箱的待测特征数据,待测特征数据表征电池箱的当前性能。
第一确定模块520,用于根据待测特征数据确定每个电池箱在预先获取的高斯混合分布模型中的分布概率,高斯混合分布模型根据电池箱的历史特征数据拟合得到,所述历史特征数据与所述待测特征数据的数据种类相同。
判断模块530,用于判断分布概率是否小于预设阈值,若是,将相对应的电池箱判断为异常电池箱。
在一个实施例中,图6是根据另一示例性实施例示出的储能电站异常电池箱检测装置示意图,如图6所示所述电池箱包括若干个电池芯,所述第一获取模510块包括:
第一获取单元511,用于获取所述若干个电池芯的工况数据。
第二获取单元512,用于根据所述工况数据获取所述待测特征数据。
在一个实施例中,所述工况数据包括电压数据和温度数据;所述待测特征数据包括所述若干个电池芯的电压的平均值、最大值、最小值、标准差、偏度和峰度,以及所述若干个电池芯的温度的平均值、最大值、最小值、标准差、偏度和峰度。
在一个实施例中,图7是根据另一示例性实施例示出的储能电站异常电池箱检测装置示意图,如图7所示,所述装置还包括:
第二确定模块710,用于以电池箱的历史特征数据作为样本,确定高斯混合分布模型的特征参数,特征参数包括高斯混合分布中每个高斯分布的权重、均值向量和协方差矩阵;
第三确定模块720,用于基于特征参数确定高斯混合分布模型中高斯分布的数量;
第二获取模块730,用于获取根据特征参数和高斯分布的数量确定高斯混合分布模型。
第三方面,本发明实施例还提供了一种电子设备。图8为根据一示例性实施例示出的电子设备的结构示意图。所述电子设备包括至少一个处理器以及与所述至少一个处理器通信连接的存储器。其中,所述存储器存储有可被所述至少一个处理器运行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行第一方面所述的储能电站异常电池箱检测方法。本发明实施例提供的电子设备可以为个人计算机,例如台式机、一体机、笔记本电脑、平板电脑等,还可以为手机、可穿戴设备、掌上电脑等终端设备。图8显示的电子设备3仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
电子设备3的组件可以包括但不限于:上述至少一个处理器4、上述至少一个存储器5、连接不同系统组件(包括存储器5和处理器4)的总线6。
总线6包括数据总线、地址总线和控制总线。
存储器5可以包括易失性存储器,例如随机存取存储器(RAM)51和/或高速缓存存储器52,还可以进一步包括只读存储器(ROM)53。
存储器5还可以包括具有一组(至少一个)程序模块54的程序/实用工具55,这样的程序模块54包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
处理器4通过运行存储在存储器5中的计算机程序,从而执行各种功能应用以及数据处理,例如第一方面所述的储能电站异常电池箱检测方法。
电子设备3也可以与一个或多个外部设备7(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口8进行。并且,电子设备3还可以通过网络适配器9与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图8所示,网络适配器9通过总线6与电子设备3的其它模块通信。应当明白,尽管图8中未示出,可以结合电子设备3使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID(磁盘阵列)系统、磁带驱动器以及数据备份存储系统等。
应当注意,尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块,但是这种划分仅仅是示例性的并非强制性的。实际上,根据本发明的实施方式,上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之,上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
第四方面,本发明实施例提供一种存储有计算机程序的计算机可读存储介质,所述计算机程序被处理器执行时实现第一方面所述的储能电站异常电池箱检测方法。
其中,可读存储介质可以采用的更具体可以包括但不限于:便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。
在可能的实施方式中,本发明还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在电子设备上运行时,所述程序代码用于使所述电子设备执行实现第一方面所述的储能电站异常电池箱检测方法。
其中,可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码,所述程序代码可以完全地在电子设备上执行、部分地在电子设备上执行、作为一个独立的软件包执行、部分在电子设备上部分在远程设备上执行或完全在远程设备上执行。
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应当理解,这仅是举例说明,本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下,可以对这些实施方式做出多种变更或修改,但这些变更和修改均落入本发明的保护范围。
Claims (10)
1.一种储能电站异常电池箱检测方法,其特征在于,所述方法应用于储能电站,所述储能电站配置有若干个电池箱,所述方法包括:
获取每个所述电池箱的待测特征数据,所述待测特征数据表征所述电池箱的当前性能;
根据所述待测特征数据确定每个所述电池箱在预先获取的高斯混合分布模型中的分布概率,所述高斯混合分布模型根据所述电池箱的历史特征数据拟合得到,所述历史特征数据与所述待测特征数据的数据种类相同;
判断所述分布概率是否小于预设阈值,若是,将相对应的所述电池箱判断为异常电池箱。
2.根据权利要求1所述的方法,其特征在于,所述电池箱包括若干个电池芯,所述获取每个所述电池箱的待测特征数据,包括:
获取所述若干个电池芯的工况数据;
根据所述工况数据获取所述待测特征数据。
3.根据权利要求2所述的方法,其特征在于,所述工况数据包括电压数据和温度数据;
所述待测特征数据包括所述若干个电池芯的电压的平均值、最大值、最小值、标准差、偏度和峰度,以及所述若干个电池芯的温度的平均值、最大值、最小值、标准差、偏度和峰度。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
以所述电池箱的历史特征数据作为样本,确定所述高斯混合分布模型的特征参数,所述特征参数包括所述高斯混合分布中每个高斯分布的权重、均值向量和协方差矩阵;
基于所述特征参数确定所述高斯混合分布模型中高斯分布的数量;
根据所述特征参数和所述高斯分布的数量确定所述高斯混合分布模型。
5.一种储能电站异常电池箱检测装置,其特征在于,所述装置应用于储能电站,所述储能电站配置有若干个电池箱,所述装置包括:
第一获取模块,用于获取每个所述电池箱的待测特征数据,所述待测特征数据表征所述电池箱的当前性能;
第一确定模块,用于根据所述待测特征数据确定每个所述电池箱在预先获取的高斯混合分布模型中的分布概率,所述高斯混合分布模型根据所述电池箱的历史特征数据拟合得到,所述历史特征数据与所述待测特征数据的数据种类相同;
判断模块,用于判断所述分布概率是否小于预设阈值,若是,将相对应的所述电池箱判断为异常电池箱。
6.根据权利要求5所述的装置,其特征在于,所述电池箱包括若干个电池芯,所述第一获取模块包括:
第一获取单元,用于获取所述若干个电池芯的工况数据;
第二获取单元,用于根据所述工况数据获取所述待测特征数据。
7.根据权利要求6所述的装置,其特征在于,所述工况数据包括电压数据和温度数据;
所述待测特征数据包括所述若干个电池芯的电压的平均值、最大值、最小值、标准差、偏度和峰度,以及所述若干个电池芯的温度的平均值、最大值、最小值、标准差、偏度和峰度。
8.根据权利要求5所述的装置,其特征在于,所述装置还包括:
第二确定模块,用于以所述电池箱的历史特征数据作为样本,确定所述高斯混合分布模型的特征参数,所述特征参数包括所述高斯混合分布中每个高斯分布的权重、均值向量和协方差矩阵;
第三确定模块,用于基于所述特征参数确定所述高斯混合分布模型中高斯分布的数量;
第二获取模块,用于获取根据所述特征参数和所述高斯分布的数量确定所述高斯混合分布模型。
9.一种电子设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-4中任一项所述的储能电站异常电池箱检测方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-4中任一项所述的储能电站异常电池箱检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210904839.2A CN115951223A (zh) | 2022-07-29 | 2022-07-29 | 储能电站异常电池箱检测方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210904839.2A CN115951223A (zh) | 2022-07-29 | 2022-07-29 | 储能电站异常电池箱检测方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115951223A true CN115951223A (zh) | 2023-04-11 |
Family
ID=87288288
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210904839.2A Pending CN115951223A (zh) | 2022-07-29 | 2022-07-29 | 储能电站异常电池箱检测方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115951223A (zh) |
-
2022
- 2022-07-29 CN CN202210904839.2A patent/CN115951223A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022253038A1 (zh) | 基于弹性网的锂电池健康状态预测方法、系统、设备及介质 | |
WO2022213789A1 (zh) | 锂电池soc估计方法、装置及计算机可读存储介质 | |
WO2022143903A1 (zh) | 车用电池的安全评估方法、系统、设备及可读存储介质 | |
CN109633448B (zh) | 识别电池健康状态的方法、装置和终端设备 | |
CN114024328A (zh) | 储能电站系统的综合评估方法、设备及可读介质 | |
CN116087787A (zh) | 一种基于主成分分析法的电池故障判断方法和系统 | |
CN114487856A (zh) | 换电站电池的热失控预警方法及系统 | |
CN111460656B (zh) | 一种电力机房通信电源运行寿命评估方法和系统 | |
CN112884199A (zh) | 水电站设备故障预测方法、装置、计算机设备和存储介质 | |
CN114325405A (zh) | 电池组一致性分析方法、建模方法、装置、设备及介质 | |
Wang et al. | A multi-source data feature fusion and expert knowledge integration approach on lithium-ion battery anomaly detection | |
CN117368745B (zh) | 基于深度学习的硬包锂电池安全监测方法及装置 | |
CN113487086B (zh) | 设备剩余使用寿命预测方法、装置、计算机设备和介质 | |
CN113361128A (zh) | 一种异常电芯筛选方法、系统、计算机设备及存储介质 | |
Zhang et al. | Reliability enhancement of state of health assessment model of lithium-ion battery considering the uncertainty with quantile distribution of deep features | |
CN110991741B (zh) | 一种基于深度学习的断面约束概率预警方法及系统 | |
CN115951223A (zh) | 储能电站异常电池箱检测方法、装置及电子设备 | |
CN114660461A (zh) | 电池健康状态的评估方法、装置、电子设备和存储介质 | |
CN112345954B (zh) | 电池寿命预测方法、装置、电子设备及介质 | |
CN115952414A (zh) | 基于深度自编码器高斯混合分布的异常电池箱检测方法 | |
WO2021089057A1 (zh) | 电池健康度的获取方法、系统、设备及可读存储介质 | |
CN114493070A (zh) | 换电站充电电缆的热失控预警方法及系统 | |
CN115952413A (zh) | 基于孤立森林的异常电池箱检测方法、装置及电子设备 | |
KR20220019564A (ko) | 배터리 이상 진단 장치 및 방법 | |
CN116819345B (zh) | 电池系统故障识别方法、装置、电子设备及存储介质 |
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 |