CN115963418A - 一种储能电池运行状态的检测方法及系统 - Google Patents
一种储能电池运行状态的检测方法及系统 Download PDFInfo
- Publication number
- CN115963418A CN115963418A CN202211731981.8A CN202211731981A CN115963418A CN 115963418 A CN115963418 A CN 115963418A CN 202211731981 A CN202211731981 A CN 202211731981A CN 115963418 A CN115963418 A CN 115963418A
- Authority
- CN
- China
- Prior art keywords
- battery
- abnormal
- matrix
- time
- series
- 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池运行状态的检测方法及系统,方法包括获取电池储能系统中各电池的实时数据和电池串并联关系,根据串联结构和各电池的实时数据,计算各串联结构下的异常概率向量;将同一串联结构下的电压异常概率向量和温度异常概率向量进行证据融合,获得串联异常概率矩阵;根据并联结构的各电池串的实时电流数据,计算并联结构的各电池串的电流异常概率向量;将并联结构的各电池串的电流异常概率向量赋权给串联异常概率矩阵,获得异常状态评价矩阵;根据异常状态评价矩阵,判定各电池的运行状态,获得电池储能系统中各电池的异常位置。本实施例实现电池储能运行状态的实时异常检测和定位,提高电池储能异常状态预警的准确性。
Description
技术领域
本发明涉及电池检测领域,尤其涉及一种储能电池运行状态的检测方法及系统。
背景技术
目前,电池储能系统已在我国电力系统中广泛应用,装机规模日益增大。而近年来全球电池储能系统的安全事故层出不穷,造成了不良的社会和经济影响。电池储能一旦发生安全问题,因其内部复杂的电化学过程,极易造成电池起火甚至爆炸,危险程度较大。因此,电池储能系统的应用安全问题一直以来都是制约其进一步发展的关键。为防止电池发生安全问题,电池储能系统建设方提前建立基于电池储能系统海量信息的智能运维管理、异常预警与故障辨识、多层安全保护及多级消防等技术将是大势所趋。
目前,电池储能系统安全管理主要依赖于多层级电池管理系统、本地监控平台以及多级别消防系统(电池箱级、电池簇级以及电池舱级),相关技术已经为电池储能运行提供了基础保障。但是,目前仍存在海量电池运行数据的挖掘力度不足、电池潜在风险的估计不够、电池预警与定位技术不准等问题。尤其是在电池运行状态异常检测以及定位方面,目前工程实际应用中大多依靠两种方式,(1)电池管理系统监测到其管理的多个电池电压差较大、温度差较大,根据专家经验通过设置阈值的方式发出预警信息;(2)本地监控系统,通过电池管理系统上报的实时数据,对照电池历史数据或通过简易的判断方法发出预警信息。上述两种方式尽管在电池管理层和本地监控层两个层级形成了对电池运行状态的初步判断,但仍较为粗糙和简单,预警与定位精度不足。
而在理论研究中,对于数据异常检测技术以及故障定位技术的研究已有很多,并用于一些公开的测试集或者部分电气设备之上,取得了较为良好的效果,但未能在电池储能异常检测方面运用,究其核心在于海量数据挖掘深度和数据分析准确性不足而造成异常检测与定位的实时性和准确性问题,缺乏综合性电池储能运行状态异常检测与定位方法,电池储能异常状态预警的准确率低,电池应用过程存在安全隐患。
发明内容
本发明提供了一种储能电池运行状态的检测方法及系统,实现电池储能运行状态的实时异常检测和定位,有利于电池储能系统中每个电池运行状态异常的辨识定位,提高电池储能异常状态预警的准确性。
为了解决上述技术问题,本发明实施例提供了一种储能电池运行状态的检测方法,包括:
获取电池储能系统中各电池的实时数据和电池串并联关系,根据串联结构和各电池的实时数据,计算各串联结构下的异常概率向量;其中,实时数据包括实时电压数据、实时温度数据和实时电流数据,异常概率向量包括电压异常概率向量和温度异常概率向量,电池串并联关系包括串联结构和并联结构;
将同一串联结构下的电压异常概率向量和温度异常概率向量进行证据融合,获得串联异常概率矩阵;
根据并联结构的各电池串的实时电流数据,计算并联结构的各电池串的电流异常概率向量;
将并联结构的各电池串的电流异常概率向量赋权给串联异常概率矩阵,获得异常状态评价矩阵;
根据异常状态评价矩阵,判定各电池的运行状态,获得电池储能系统中各电池的运行状态检测结果;其中,运行状态检测结果包括无异常和异常位置。
实施本发明实施例,分别基于串联电池的实时电压值和温度值,计算出同一串联方式下各个电池的各电池异常概率向量,利用证据融合手段综合基于电压值和温度值获得的异常性概率向量。同时基于并联结构的各电池串电池电流值,计算并联结构各电池串的异常性概率向量,以各电池串异常性概率赋权给各电池串内部融合的异常概率向量,最终获得电池储能系统串并联结构下异常状态评价矩阵,即每个电池的异常性概率得分,根据异常状态评价矩阵,对每个电池运行状态异常检测结果及定位。相比于现有的电池储能运行状态异常检测及定位方法,综合了全部电池实时的电压、电流和温度原始信息(未在此提取特征)可以保障检测的实时性,融合同一电池串下各电池的电压和温度信息,同时综合各串联电池支路的电流信息,可以有效提高电池运行状态异常检测的准确性,形成对每个电池运行状态异常的精准评分,有利于电池储能系统中每个电池运行状态异常的辨识定位,进而形成有效预警,提升电池储能系统运行的安全水平,可以促进电池储能系统在新型电力系统中更为广泛的可靠安全应用。
作为优选方案,获取电池储能系统中各电池的实时数据和电池串并联关系,具体为:
通过传感器测量电池储能系统中各电池的实时数据,获得各电池的实时数据;其中,传感器包括电压传感器、温度传感器和电流传感器;
根据电池储能系统的集成机构,确定电池串并联情况,并根据电池串并联情况,以二维数组对各电池串进行编号,确定各电池编号;其中,电池串并联情况包括电池串中各电池数量、并联的电池串数量和电池串并联关系。
作为优选方案,根据串联结构和各电池的实时数据,计算各串联结构下的异常概率向量,具体为:
根据当前串联结构下的各电池的实时数据和相邻两个电池的实时数据的差值的绝对值,计算当前串联结构下的偏差矩阵;其中,偏差矩阵包括电压偏差矩阵和电流偏差矩阵;
根据当前串联结构下的偏差矩阵,获得若干个串联结构下的偏差矩阵;
根据各串联结构下的偏差矩阵,计算各串联结构下的异常概率向量。
作为优选方案,根据各串联结构下的偏差矩阵,计算各串联结构下的异常概率向量,具体为:
根据当前串联结构下的偏差矩阵和预设相似度熵值范围,计算当前串联结构下的亲和性矩阵;
将当前串联结构下的亲和性矩阵进行矩阵行归一化,获得当前串联结构下的概率矩阵;其中,概率矩阵包括电压概率矩阵和温度概率矩阵;
根据当前串联结构下的概率矩阵,计算当前串联结构下的各电池的异常状态评分向量,其中,异常状态评分向量包括电压异常状态评分向量和温度异常状态评分向量,公式如下:
其中,cU i,s(t)为在t时刻第i个电池串下第s个电池的电压异常状态评分向量,bUi,j,s(t)为在t时刻第i个电池串下第s个电池的电压概率矩阵值;
其中,cTem i,s(t)为在t时刻第i个电池串下第s个电池的温度异常状态评分向量,bTemi,j,s(t)为在t时刻第i个电池串下第s个电池的温度概率矩阵值;
归一化当前串联结构下的各电池的异常状态评分向量,获得当前串联结构下的异常概率向量;
根据当前串联结构下的异常概率向量,获得各串联结构下的异常概率向量,公式如下:
PU i(t)=[pU i,1(t),pU i,2(t),…,pU i,m(t)]T
其中,pU i,s(t)为在t时刻第i个电池串下第s个电池的电压异常概率向量,PU i(t)为在t时刻第i个电池串的电压异常概率向量;
PTem i(t)=[pTem i,1(t),pTem i,2(t),…,pTem i,m(t)]T
其中,pTem i,s(t)为在t时刻第i个电池串下第s个电池的温度异常概率向量,PTemi(t)为在t时刻第i个电池串的温度异常概率向量。
作为优选方案,根据当前串联结构下的偏差矩阵和预设相似度熵值范围,计算当前串联结构下的亲和性矩阵,具体为:
根据当前串联结构下的偏差矩阵,获得各电池的偏差值;其中,偏差值包括电压偏差值和温度偏差值;
根据各电池的偏差值、预设相似度熵值范围、相似熵关系和相似偏差关系,通过二分搜索法,计算各电池的标准差,其中,相似熵关系包括电压相似熵关系和温度相似熵关系,电压相似熵关系,公式如下:
其中,H(dU i,s(t))为在t时刻第i个电池串中第s个电池和第r个电池的电压相似度熵值,dU i,r|i,s(t)为在t时刻第i个电池串中第s个电池和第r个电池的电压相似度;
温度相似熵关系,公式如下:
其中,H(d Tem i,s(t))为在t时刻第i个电池串中第s个电池和第r个电池的温度相似度熵值,d Tem i,r|i,s(t)为在t时刻第i个电池串中第s个电池和第r个电池的温度相似度;
其中,相似偏差关系包括电压相似偏差关系和温度相似偏差关系,电压相似偏差关系,公式如下:
其中,σU i,s(t)为在t时刻第i个电池串中第s个电池的电压标准差,ΔU i,s,r(t)为在t时刻第i个电池串中第s个电池和第r个电池的电压偏差值,ΔU i,s,k(t)为在t时刻第i个电池串中第s个电池和第k个电池的电压偏差值;
温度相似偏差关系,公式如下:
其中,σTem i,s(t)为在t时刻第i个电池串中第s个电池的温度标准差,ΔT i,s,r(t)为在t时刻第i个电池串中第s个电池和第r个电池的温度偏差值,ΔT i,s,k(t)为在t时刻第i个电池串中第s个电池和第k个电池的温度偏差值;
根据相似偏差关系、当前串联结构下各电池的标准差和偏差值,计算当前串联结构下的亲和性矩阵,亲和性矩阵包括电压亲和性矩阵和温度亲和性矩阵,公式如下:
作为优选方案,将同一串联结构下的电压异常概率向量和温度异常概率向量进行证据融合,获得串联异常概率矩阵,具体为:
将同一串联结构下的电压异常概率向量和温度异常概率向量进行证据融合,获得同一串联结构下的串联异常概率矩阵,证据融合公式如下:
PS i(t)=[PS i,1(t),PS i,2(t),…,PS i,m(t)]T
其中,PS i(t)为在t时刻第i个电池串的串联异常概率向量,为在t时刻第i个电池串下的电压异常概率向量和温度异常概率向量证据融合后第Bi,r个电池异常概率,为在t时刻第i个电池串下第Bi,r个电池的电压异常概率向量,为在t时刻第i个电池串下第Bi,r个电池的温度异常概率向量,kc为冲突系数等于
根据同一串联结构下的串联异常概率矩阵,获得串联异常概率矩阵,公式如下:
PS(t)=[PS 1(t),PS 1(t),…,PS n(t)]∈Rm×n
其中,PS(t)为串联异常概率向量。
作为优选方案,将并联结构的各电池串的电流异常概率向量赋权给串联异常概率矩阵,获得异常状态评价矩阵,具体为:
将并联结构的各电池串的电流异常概率向量按列赋权给串联异常概率矩阵,获得异常状态评价矩阵,具体为:
SC(t)=[pI 1(t)×P1 S(t),pI 2(t)×P2 S(t),…,pI n(t)×Pn S(t)]∈Rm×n
其中,SC(t)为异常状态评价矩阵,PSn(t)为在t时刻第n个电池串的串联异常概率向量,pI n(t)在t时刻第n个电池串的电流异常概率向量。
作为优选方案,根据异常状态评价矩阵,判定各电池的运行状态,具体为:
根据异常状态评价矩阵,计算得分均值;
根据异常状态评价矩阵中全部元素和得分均值的大小关系,判断各电池的运行状态。
作为优选方案,根据异常状态评价矩阵中全部元素和得分均值的大小关系,判断各电池的运行状态,具体为:
若第(i,j)位置元素的异常状态评价矩阵值不大于得分均值,则判定第j条串联电池支路的第i个电池的电池运行状态结果为无异常;
若第(i,j)位置元素的异常状态评价矩阵值大于得分均值,则判定第j条串联电池支路的第i个电池的电池运行状态结果为存在异常。
为了解决相同的技术问题,本发明实施例还提供了一种储能电池运行状态的检测系统,包括:串联异常模块、证据融合模块、并联异常模块、赋权模块和状态评价模块;
其中,串联异常模块用于获取电池储能系统中各电池的实时数据和电池串并联关系,根据串联结构和各电池的实时数据,计算各串联结构下的异常概率向量;其中,实时数据包括实时电压数据、实时温度数据和实时电流数据,异常概率向量包括电压异常概率向量和温度异常概率向量,电池串并联关系包括串联结构和并联结构;
证据融合模块用于将同一串联结构下的电压异常概率向量和温度异常概率向量进行证据融合,获得串联异常概率矩阵;
并联异常模块用于根据并联结构的各电池串的实时电流数据,计算并联结构的各电池串的电流异常概率向量;
赋权模块用于将并联结构的各电池串的电流异常概率向量赋权给串联异常概率矩阵,获得异常状态评价矩阵;
状态评价模块用于根据异常状态评价矩阵,判定各电池的运行状态,获得电池储能系统中各电池的运行状态检测结果;其中,运行状态检测结果包括无异常和异常位置。
附图说明
图1:为本发明提供的一种储能电池运行状态的检测方法的一种实施例的流程示意图;
图2:为本发明提供的一种储能电池运行状态的检测方法的一种实施例的计算流程图;
图3:为本发明提供的一种储能电池运行状态的检测方法的一种实施例的电池储能系统集成示意图;
图4:为本发明提供的一种储能电池运行状态的检测方法的一种实施例的电压异常概率矩阵计算流程图;
图5:为本发明提供的一种储能电池运行状态的检测系统的一种实施例的X的结构示意图。
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作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。
实施例一
请参照图1,为本发明实施例提供的一种储能电池运行状态的检测方法的流程示意图,计算流程如图2所示。本实施例的电池运行状态的检测方法适用于电池储能系统中各电池异常状态检测,本实施例通过电池储能运行状态的实时异常检测和定位,提高电池储能异常状态预警的准确性。该电池运行状态的检测方法包括步骤101至步骤105,各步骤具体如下:
步骤101:获取电池储能系统中各电池的实时数据和电池串并联关系,根据串联结构和各电池的实时数据,计算各串联结构下的异常概率向量;其中,实时数据包括实时电压数据、实时温度数据和实时电流数据,异常概率向量包括电压异常概率向量和温度异常概率向量,电池串并联关系包括串联结构和并联结构。
可选的,步骤101具体包括步骤1011至步骤1012,各步骤具体如下:
步骤1011:通过传感器测量电池储能系统中各电池的实时数据,获得各电池的实时数据;其中,传感器包括电压传感器、温度传感器和电流传感器;根据电池储能系统的集成机构,确定电池串并联情况,并根据电池串并联情况,以二维数组对各电池串进行编号,确定各电池编号;其中,电池串并联情况包括电池串中各电池数量、并联的电池串数量和电池串并联关系。
在本实施例中,依据电池储能系统集成机构,确定电池储能系统中各电池组串中电池数量m、电池串组并联(并联的电池串)数量n、电池串并联关系,电池储能系统集成示意图,如图3所示。依据电池储能系统集成机构,确定电池储能系统中各电池组串中电池数量m和电池串组并联数量n,并根据串并联情况以二维数组编号各串电池,如第i个电池串下的第j个电池可以定义为Bi,j,i=1,2,…,n,j=1,2,…,m,;其t时刻电压、温度以及电流测量分别为Ui,j(t)、Ti,j(t)以及Ii,j(t),其中第i个电池串的所有电池电流相同,定义为Ii(t),即Ii,s(t)=Ii,r(t)=Ii(t),
步骤1012:根据当前串联结构下的各电池的实时数据和相邻两个电池的实时数据的差值的绝对值,计算当前串联结构下的偏差矩阵;其中,偏差矩阵包括电压偏差矩阵和电流偏差矩阵;根据当前串联结构下的偏差矩阵,获得若干个串联结构下的偏差矩阵;根据各串联结构下的偏差矩阵,计算各串联结构下的异常概率向量。
在本实施例中,电压异常概率矩阵计算流程,如图4所示,利用电压传感器测量所得全部电池的实时电压数据,计算同一串联结构下各电池间电压偏差矩阵ΔU,进而计算出同一串联结构下各电池的电压异常概率向量,形成全部串联支路下的温度异常概率矩阵PU。类似于电压的计算,利用温度传感器测量所得全部电池的实时温度数据,计算同一串联结构下各电池间温度偏差矩阵ΔT,进而计算出同一串联结构下各电池的温度异常概率向量,形成全部串联支路下的温度异常概率矩阵PTem。
在本实施例中,根据电压传感器测量所得全部电池的实时电压数据,计算同一串联结构下各电池间的电压偏差矩阵ΔU,其中在t时刻第i个电池串内各电池的电压偏差矩阵为ΔUi(t),计算公式如下:
需要说明的是,此矩阵表示电压的偏差值,Ui,m表示第i个电池组串的第m个电池,|ΔUi,1-ΔUi,2|表示第i个电池组串的第1个电池电压和第2个电池电压差值的绝对值;计算电压偏差矩阵就是求第i串电池组共m个电池两两的电压差值的绝对值,形成的m×m的矩阵,R在数学上表示实数集合。
在本实施例中,根据温度传感器测量所得全部电池的实时温度数据,计算同一串联结构下各电池间的温度偏差矩阵ΔT,其中在t时刻第i个电池串内各电池的温度偏差矩阵为ΔTi(t),计算公式如下:
可选的,根据各串联结构下的偏差矩阵,计算各串联结构下的异常概率向量,具体包括第1步至第5步,各步具体如下:
第1步:根据当前串联结构下的偏差矩阵和预设相似度熵值范围,计算当前串联结构下的亲和性矩阵。
可选的,第1步具体为:根据当前串联结构下的偏差矩阵,获得各电池的偏差值;其中,偏差值包括电压偏差值和温度偏差值;
根据各电池的偏差值、预设相似度熵值范围、相似熵关系和相似偏差关系,通过二分搜索法,计算各电池的标准差,其中,相似熵关系包括电压相似熵关系和温度相似熵关系,电压相似熵关系,公式如下:
其中,H(dU i,s(t))为在t时刻第i个电池串中第s个电池和第r个电池的电压相似度熵值,dU i,r|i,s(t)为在t时刻第i个电池串中第s个电池和第r个电池的电压相似度;
温度相似熵关系,公式如下:
其中,H(d Tem i,s(t))为在t时刻第i个电池串中第s个电池和第r个电池的温度相似度熵值,d Tem i,r|i,s(t)为在t时刻第i个电池串中第s个电池和第r个电池的温度相似度;
其中,相似偏差关系包括电压相似偏差关系和温度相似偏差关系,电压相似偏差关系,公式如下:
其中,σU i,s(t)为在t时刻第i个电池串中第s个电池的电压标准差,ΔU i,s,r(t)为在t时刻第i个电池串中第s个电池和第r个电池的电压偏差值,ΔU i,s,k(t)为在t时刻第i个电池串中第s个电池和第k个电池的电压偏差值;
温度相似偏差关系,公式如下:
其中,σTem i,s(t)为在t时刻第i个电池串中第s个电池的温度标准差,ΔT i,s,r(t)为在t时刻第i个电池串中第s个电池和第r个电池的温度偏差值,ΔT i,s,k(t)为在t时刻第i个电池串中第s个电池和第k个电池的温度偏差值;
根据相似偏差关系、当前串联结构下各电池的标准差和偏差值,计算当前串联结构下的亲和性矩阵,亲和性矩阵包括电压亲和性矩阵和温度亲和性矩阵,公式如下:
在本实施例中,根据电压偏差矩阵,计算各电池串中各个电池的电压标准差时,定义在t时刻第i个电池串中第s个电池的标准差σU i,s(t),同时定义在t时刻第i个电池串中第s个电池和第r个电池的电压相似度dU i,r|i,s(t),电压相似偏差关系的计算公式如下:
在t时刻第i个电池串中第s个电池的电压相似度熵值H(dU i,s(t)),电压相似熵关系公式如下:
然后通过合理设置熵值H(dU i,s(t))范围,(优选范围为2.32~5.64),利用二分搜索法计算出t时刻第i个电池串中第s个电池的电压标准差σU i,s(t);
计算得到的各电池串中各个电池的电压标准差、电压偏差矩阵以及电压相似度计算公式(电压相似偏差关系的计算公式),计算各电池串中各个电池的电压亲和性矩阵AU,即在t时刻第i个电池串的电压亲和性矩阵Ai U(t),表示为:
在本实施例中,根据温度偏差矩阵,计算各电池串中各个电池的温度标准差时,定义在t时刻第i个电池串中第s个电池的标准差σTem i,s(t),同时定义在t时刻第i个电池串中第s个电池和第r个电池的温度相似度dTem i,r|i,s(t),温度相似偏差关系的计算公式如下:
在t时刻第i个电池串中第s个电池的温度相似度熵值H(dTem i,s(t)),温度相似熵关系公式如下:
然后通过合理设置熵值H(dTem i,s(t))范围,(优选范围为2.32~5.64),利用二分搜索法计算出t时刻第i个电池串中第s个电池的温度标准差σTem i,s(t);
计算得到的各电池串中各个电池的温度标准差、温度偏差矩阵以及温度相似度计算公式(温度相似偏差关系的计算公式),计算各电池串中各个电池的温度亲和性矩阵ATem,即在t时刻第i个电池串的温度亲和性矩阵Ai Tem(t),表示为:
第2步:将当前串联结构下的亲和性矩阵进行矩阵行归一化,获得当前串联结构下的概率矩阵;其中,概率矩阵包括电压概率矩阵和温度概率矩阵。
在本实施例中,归一化第1步中的电压亲和性矩阵,获得各电池串中各个电池的电压概率矩阵BU。即在t时刻第i个电池串的电压概率矩阵Bi U(t)可表示为:
归一化第1步中的温度亲和性矩阵,获得各电池串中各个电池的温度概率矩阵BTem。即在t时刻第i个电池串的温度概率矩阵Bi Tem(t)可表示为:
第3步:根据当前串联结构下的概率矩阵,计算当前串联结构下的各电池的异常状态评分向量,其中,异常状态评分向量包括电压异常状态评分向量和温度异常状态评分向量,公式如下:
其中,cU i,s(t)为在t时刻第i个电池串下第s个电池的电压异常状态评分向量,bUi,j,s(t)为在t时刻第i个电池串下第s个电池的电压概率矩阵值;
其中,cTem i,s(t)为在t时刻第i个电池串下第s个电池的温度异常状态评分向量,bTemi,j,s(t)为在t时刻第i个电池串下第s个电池的温度概率矩阵值。
在本实施例中,在t时刻第i个电池串下各电池的电压异常状态评分向量为CU i,s(t)=[cU i,1(t),cU i,2(t),…,cU i,m(t)]T。在t时刻第i个电池串下各电池的温度异常状态评分向量为CTem i,s(t)=[cTem i,1(t),cTem i,2(t),…,cTem i,m(t)]T。
第4步:归一化当前串联结构下的各电池的异常状态评分向量,获得当前串联结构下的异常概率向量。
在本实施例中,归一化第3步所得同一串联结构下的各个电池电压异常状态评分向量,获得电压异常概率向量PUi(t),即PU i(t)=[pU i,1(t),pU i,2(t),…,pU i,m(t)]T,其中,
在本实施例中,归一化第3步所得同一串联结构下的各个电池温度异常状态评分向量,获得电压异常概率向量PTemi(t),即PTem i(t)=[pTem i,1(t),pTem i,2(t),…,pTem i,m(t)]T,其中,PI i(t)=PTemi(t)。
第5步:根据当前串联结构下的异常概率向量,获得各串联结构下的异常概率向量,公式如下:
PU i(t)=[pU i,1(t),pU i,2(t),…,pU i,m(t)]T
其中,pU i,s(t)为在t时刻第i个电池串下第s个电池的电压异常概率向量,PU i(t)为在t时刻第i个电池串的电压异常概率向量;
PTem i(t)=[pTem i,1(t),pTem i,2(t),…,pTem i,m(t)]T
其中,pTem i,s(t)为在t时刻第i个电池串下第s个电池的温度异常概率向量,PTemi(t)为在t时刻第i个电池串的温度异常概率向量。
在本实施例中,根据第1步和第5步不断计算电压异常概率向量,直至生成全部n个电池串的t时刻的电压异常矩阵PU(t),即各串联结构下的电压异常概率向量,其表达式如下:
PU(t)=[PU 1(t),PU 1(t),…,PU n(t)]∈Rm×n
根据第1步和第5步不断计算温度异常概率向量,直至生成全部n个电池串的t时刻的温度异常矩阵PTem(t),即各串联结构下的温度异常概率向量,其表达式如下:PTem(t)=[PTem 1(t),PTem 1(t),…,PTem n(t)]∈Rm×n
步骤102:将同一串联结构下的电压异常概率向量和温度异常概率向量进行证据融合,获得串联异常概率矩阵。
可选的,步骤102具体为:将同一串联结构下的电压异常概率向量和温度异常概率向量进行证据融合,获得同一串联结构下的串联异常概率矩阵,证据融合公式如下:
PS i(t)=[PS i,1(t),PS i,2(t),…,PS i,m(t)]T
其中,PS i(t)为在t时刻第i个电池串的串联异常概率向量,为在t时刻第i个电池串下的电压异常概率向量和温度异常概率向量证据融合后第Bi,r个电池异常概率,为在t时刻第i个电池串下第Bi,r个电池的电压异常概率向量,为在t时刻第i个电池串下第Bi,r个电池的温度异常概率向量,kc为冲突系数等于
根据同一串联结构下的串联异常概率矩阵,获得串联异常概率矩阵,公式如下:
PS(t)=[PS 1(t),PS 1(t),…,PS n(t)]∈Rm×n
其中,PS(t)为串联异常概率向量。
在本实施例中,定义同一串联结构下的各电池组成证据理论的识别框架,在t时刻第i个电池串下的识别框架为{Bi,1,Bi,2,…,Bi,m},该电池串下的电压和温度异常概率向量为PU i(t)和PTem i(t);
利用证据融入公式计算出融合后的同一串联结构下电池的电压和温度异常概率向量,形成串联异常概率向量,即t时刻第i个电池串下的电压和温度异常概率向量证据融合计算过程如下:
其中,表示表示t时刻第i个电池串下的电压和温度异常概率向量证据融合后第Bi,r个电池异常概率,kc表示冲突系数等于则t时刻第i个电池串的串联异常概率向量PS i(t)=[PS i,1(t),PS i,2(t),…,PS i,m(t)]T。
不断计算直至生成全部n个电池串t时刻的电压和温度异常概率向量融合完成生成串联异常概率矩阵PS(t),其表达式如下:
PS(t)=[PS 1(t),PS 1(t),…,PS n(t)]∈Rm×n
步骤103:根据并联结构的各电池串的实时电流数据,计算并联结构的各电池串的电流异常概率向量。
在本实施例中,根据并联结构的各电池串的实时电流数据,计算并联结构的各电池串的电流异常概率向量的计算过程类似步骤101中计算电压异常概率向量和温度异常概率向量,利用电流传感器测量所得各电池串支路的实时电流数据,计算各电池串支路(并联结构)间电流偏差矩阵ΔI,进而计算出各电池串支路间的电流异常概率向量PI;
根据电流传感器测量所得各电池串支路的实时电流数据,计算各电池串支路(并联结构)间电流偏差矩阵ΔI计算公式如下,其中在t时刻第i个电池串支路电流为Ii(t):
根据电流偏差矩阵ΔI,计算各电池串支路(并联结构)间电流异常概率向量PI,其中在t时刻第i个电池串支路电流异常概率向量为PI i(t);
根据电流偏差矩阵,计算各电池串支路的电流标准差时,定义在t时刻第i个电池串支路的标准差σI i(t)。同时定义在t时刻第i个电池串支路和第i个电池串支路中的电流相似度dI j|i(t)计算公式如下:
定义在t时刻第i个电池串支路的电流相似度熵值H(dI i(t))为:
然后通过合理设置熵值H(dI i(t))范围(推荐范围2.32~5.64),利用二分搜索法计算出t时刻第i个电池串支路的电流标准差σI i(t);
计算得到的各电池串支路的电流标准差、电流偏差矩阵以及电流相似度计算公式,计算各电池串支路的电流亲和性矩阵AI,即在t时刻各电池串支路的电流亲和性矩阵AI(t)可表示为
归一化电流亲和性矩阵,获得各电池串间的电流概率矩阵BI。即在t时刻的电流概率矩阵BI(t)可表示为
计算出的各电池串间的电流概率矩阵BI,计算各电池串的电流异常状态评分向量,即在t时刻第i个电池串的电流异常状态评分向量cI i(t)可表示为:
在t时刻各电池串支路间的电流异常状态评分向量为:
CI i(t)=[cI 1(t),cI 2(t),…,cI n(t)]
步骤104:将并联结构的各电池串的电流异常概率向量赋权给串联异常概率矩阵,获得异常状态评价矩阵。
可选的,步骤104具体为:将并联结构的各电池串的电流异常概率向量按列赋权给串联异常概率矩阵,获得异常状态评价矩阵,具体为:
SC(t)=[pI 1(t)×P1 S(t),pI 2(t)×P2 S(t),…,pI n(t)×Pn S(t)]∈Rm×n
其中,SC(t)为异常状态评价矩阵,PSn(t)为在t时刻第n个电池串的串联异常概率向量,pI n(t)在t时刻第n个电池串的电流异常概率向量。
在本实施例中,利用各电池串支路的电流异常概率向量PI(t)按列赋权至全部串联支路下的串联异常概率矩阵PS(t),获得全部m×n个电池的异常状态评价矩阵Sc(t),计算如下:SC(t)=[pI 1(t)×P1 S(t),pI 2(t)×P2 S(t),…,pI n(t)×Pn S(t)]∈Rm×n
步骤105:根据异常状态评价矩阵,判定各电池的运行状态,获得电池储能系统中各电池的运行状态检测结果;其中,运行状态检测结果包括无异常和异常位置。
可选的,根据异常状态评价矩阵,判定各电池的运行状态,具体为:根据异常状态评价矩阵,计算得分均值;根据异常状态评价矩阵中全部元素和得分均值的大小关系,判断各电池的运行状态。
可选的,根据异常状态评价矩阵中全部元素和得分均值的大小关系,判断各电池的运行状态,具体为:若第(i,j)位置元素的异常状态评价矩阵值不大于得分均值,则判定第j条串联电池支路的第i个电池的电池运行状态结果为无异常;若第(i,j)位置元素的异常状态评价矩阵值大于得分均值,则判定第j条串联电池支路的第i个电池的电池运行状态结果为存在异常。
在本实施例中,统计步骤104中全部m×n个电池的异常状态评价矩阵Sc(t)中的元素分布情况,判定各电池异常状态及定位异常电池。以均值偏移量为例说明判断过程,假设异常状态评价矩阵Sc(t)中第(i,j)位置的元素为Si,j,则异常状态评价矩阵Sc(t)的得分均值为Smean,计算异常状态评价矩阵Sc(t)中全部元素与得分均值为Smean的大小关系;若第(i,j)位置的元素为Si,j≤Smean,则判定第(i,j)位置的电池(第j条串联电池支路的第i个电池)无异常;若第(i,j)位置的元素为Si,j>Smean,则判定第(i,j)位置的电池(第j条串联电池支路的第i个电池)可能出现异常,需要特别关注,偏差越大且持续时间越长则异常状态越显著,可以适当采取保护措施,完成电池运行状态的异常检测与定位。
实施本发明实施例,分别基于串联电池的实时电压值和温度值,计算出同一串联方式下各个电池的相异性矩阵,进而获取各电池异常性概率向量,利用证据融合手段综合基于电压值和温度值获得的异常性概率向量。同时基于并联方式的各串电池电流值,计算各电池串的相异性矩阵,获取各电池串的异常性概率向量,以各电池串异常性概率乘以各电池串内部融合的异常性概率向量,最终获得电池储能系统串并联结构下每个电池的异常性概率得分,实现对每个电池运行状态异常检测结果及定位方法。相比于现有的电池储能运行状态异常检测及定位方法,本发明综合了全部电池实时的电压、电流和温度原始信息(未在此提取特征)可以保障检测的实时性。此外,本发明融合了同一电池串下各电池的电压和温度信息,同时综合各串联电池支路的电流信息,可以有效提高电池运行状态异常检测的准确性,形成对每个电池运行状态异常的精准评分,有利于电池储能系统中每个电池运行状态异常的辨识定位,进而形成有效预警,这将提升电池储能系统运行的安全水平,可以促进电池储能系统在新型电力系统中更为广泛的可靠安全应用。
实施例二
相应地,参见图5,图5是本发明提供的一种储能电池运行状态的检测系统的实施例二的结构示意图。如图5所示,储能电池运行状态的检测系统包括串联异常模块501、证据融合模块502、并联异常模块503、赋权模块504和状态评价模块505;
其中,串联异常模块501用于获取电池储能系统中各电池的实时数据和电池串并联关系,根据串联结构和各电池的实时数据,计算各串联结构下的异常概率向量;其中,实时数据包括实时电压数据、实时温度数据和实时电流数据,异常概率向量包括电压异常概率向量和温度异常概率向量,电池串并联关系包括串联结构和并联结构;
证据融合模块502用于将同一串联结构下的电压异常概率向量和温度异常概率向量进行证据融合,获得串联异常概率矩阵;
并联异常模块503用于根据并联结构的各电池串的实时电流数据,计算并联结构的各电池串的电流异常概率向量;
赋权模块504用于将并联结构的各电池串的电流异常概率向量赋权给串联异常概率矩阵,获得异常状态评价矩阵;
状态评价模块505用于根据异常状态评价矩阵,判定各电池的运行状态,获得电池储能系统中各电池的运行状态检测结果;其中,运行状态检测结果包括无异常和异常位置。
实施本发明实施例,实现储能电池运行状态异常的检测与定位,首先,确定电池储能系统中全部的电池的串并联关系并标号;其次,基于同一电池串下各电池的实时电压数据计算出电池间电压偏差矩阵,进而获得电压异常概率向量;接着,同理基于温度数据计算出同一电池串下电池间温度偏差矩阵和温度异常概率向量;然后,利用证据理论融合同一电池串下电池的电压和温度异常概率向量,形成串联异常概率向量;之后,利用各并联电池串的电流测试数据,计算出并联支路电流偏差矩阵,获得各电池串的电流异常概率向量;接下来,利用电流异常概率向量赋权串联异常概率向量,获得全部电池的异常评分矩阵;最后,统计异常评分矩阵,判断并确定各电池的异常状态与位置,完成异常检测与定位。从串联电池电压和温度数据以及并联电池串电流数据多个角度出发,建立一种融合型电池储能系统的电池运行异常状态检测与定位方法,其特色在于融合串联电池电压差和温度差的预警信息,再结合各串联支路电流差的基本信息,形成综合的电池储能运行状态异常检测与定位方法,提升电池储能异常状态预警的准确率,降低其应用过程的安全隐患,同时促进电池储能系统的智能化运维技术发展,扩大电池储能系统在新型电力系统中的应用范围,助力我国能源结构改革进程。
以上的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步的详细说明,应当理解,以上仅为本发明的具体实施例而已,并不用于限定本发明的保护范围。特别指出,对于本领域技术人员来说,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种储能电池运行状态的检测方法,其特征在于,包括:
获取电池储能系统中各电池的实时数据和电池串并联关系,根据串联结构和所述各电池的实时数据,计算各串联结构下的异常概率向量;其中,所述实时数据包括实时电压数据、实时温度数据和实时电流数据,所述异常概率向量包括电压异常概率向量和温度异常概率向量,所述电池串并联关系包括所述串联结构和并联结构;
将同一串联结构下的所述电压异常概率向量和所述温度异常概率向量进行证据融合,获得串联异常概率矩阵;
根据所述并联结构的各电池串的所述实时电流数据,计算所述并联结构的各电池串的电流异常概率向量;
将所述并联结构的各电池串的电流异常概率向量赋权给所述串联异常概率矩阵,获得异常状态评价矩阵;
根据所述异常状态评价矩阵,判定所述各电池的运行状态,获得所述电池储能系统中所述各电池的运行状态检测结果;其中,所述运行状态检测结果包括无异常和异常位置。
2.如权利要求1所述的储能电池运行状态的检测方法,其特征在于,所述获取电池储能系统中各电池的实时数据和电池串并联关系,具体为:
通过传感器测量所述电池储能系统中各电池的所述实时数据,获得所述各电池的实时数据;其中,所述传感器包括电压传感器、温度传感器和电流传感器;
根据所述电池储能系统的集成机构,确定电池串并联情况,并根据所述电池串并联情况,以二维数组对所述各电池串进行编号,确定各电池编号;其中,所述电池串并联情况包括电池串中各电池数量、并联的电池串数量和所述电池串并联关系。
3.如权利要求2所述的储能电池运行状态的检测方法,其特征在于,所述根据串联结构和所述各电池的实时数据,计算各串联结构下的异常概率向量,具体为:
根据当前串联结构下的各电池的实时数据和相邻两个电池的实时数据的差值的绝对值,计算所述当前串联结构下的偏差矩阵;其中,所述偏差矩阵包括电压偏差矩阵和电流偏差矩阵;
根据所述当前串联结构下的偏差矩阵,获得若干个所述串联结构下的偏差矩阵;
根据各所述串联结构下的偏差矩阵,计算各所述串联结构下的异常概率向量。
4.如权利要求3所述的储能电池运行状态的检测方法,其特征在于,所述根据各所述串联结构下的偏差矩阵,计算各所述串联结构下的异常概率向量,具体为:
根据所述当前串联结构下的偏差矩阵和预设相似度熵值范围,计算所述当前串联结构下的亲和性矩阵;
将所述当前串联结构下的亲和性矩阵进行矩阵行归一化,获得所述当前串联结构下的概率矩阵;其中,所述概率矩阵包括电压概率矩阵和温度概率矩阵;
根据所述当前串联结构下的概率矩阵,计算所述当前串联结构下的所述各电池的异常状态评分向量,其中,所述异常状态评分向量包括电压异常状态评分向量和温度异常状态评分向量,公式如下:
其中,cU i,s(t)为在t时刻第i个电池串下第s个电池的所述电压异常状态评分向量,bUi,j,s(t)为在t时刻第i个电池串下第s个电池的电压概率矩阵值;
其中,cTem i,s(t)为在t时刻第i个电池串下第s个电池的所述温度异常状态评分向量,bTemi,j,s(t)为在t时刻第i个电池串下第s个电池的温度概率矩阵值;
归一化所述当前串联结构下的所述各电池的异常状态评分向量,获得所述当前串联结构下的异常概率向量;
根据所述当前串联结构下的异常概率向量,获得各所述串联结构下的异常概率向量,公式如下:
PU i(t)=[pU i,1(t),pU i,2(t),…,pU i,m(t)]T
其中,pU i,s(t)为在t时刻第i个电池串下第s个电池的所述电压异常概率向量,PU i(t)为在t时刻第i个电池串的所述电压异常概率向量;
PTem i(t)=[pTem i,1(t),pTem i,2(t),…,pTem i,m(t)]T
其中,pTemi,s(t)为在t时刻第i个电池串下第s个电池的所述温度异常概率向量,PTem i(t)为在t时刻第i个电池串的所述温度异常概率向量。
5.如权利要求4所述的储能电池运行状态的检测方法,其特征在于,所述根据所述当前串联结构下的偏差矩阵和预设相似度熵值范围,计算所述当前串联结构下的亲和性矩阵,具体为:
根据所述当前串联结构下的偏差矩阵,获得各电池的偏差值;其中,所述偏差值包括电压偏差值和温度偏差值;
根据所述各电池的偏差值、所述预设相似度熵值范围、相似熵关系和相似偏差关系,通过二分搜索法,计算所述各电池的标准差,其中,所述相似熵关系包括电压相似熵关系和温度相似熵关系,所述电压相似熵关系,公式如下:
其中,H(dU i,s(t))为在t时刻第i个电池串中第s个电池和第r个电池的电压相似度熵值,dU i,r|i,s(t)为在t时刻第i个电池串中第s个电池和第r个电池的电压相似度;
所述温度相似熵关系,公式如下:
其中,H(d Tem i,s(t))为在t时刻第i个电池串中第s个电池和第r个电池的温度相似度熵值,d Tem i,r|i,s(t)为在t时刻第i个电池串中第s个电池和第r个电池的温度相似度;
其中,所述相似偏差关系包括电压相似偏差关系和温度相似偏差关系,所述电压相似偏差关系,公式如下:
其中,σU i,s(t)为在t时刻第i个电池串中第s个电池的电压标准差,ΔU i,s,r(t)为在t时刻第i个电池串中第s个电池和第r个电池的所述电压偏差值,ΔUi,s,k(t)为在t时刻第i个电池串中第s个电池和第k个电池的所述电压偏差值;
所述温度相似偏差关系,公式如下:
其中,σTem i,s(t)为在t时刻第i个电池串中第s个电池的温度标准差,ΔTi,s,r(t)为在t时刻第i个电池串中第s个电池和第r个电池的所述温度偏差值,ΔTi,s,k(t)为在t时刻第i个电池串中第s个电池和第k个电池的所述温度偏差值;
根据所述相似偏差关系、所述当前串联结构下各电池的所述标准差和所述偏差值,计算所述当前串联结构下的亲和性矩阵,所述亲和性矩阵包括电压亲和性矩阵和温度亲和性矩阵,公式如下:
6.如权利要求1所述的储能电池运行状态的检测方法,其特征在于,所述将同一串联结构下的所述电压异常概率向量和所述温度异常概率向量进行证据融合,获得串联异常概率矩阵,具体为:
将同一串联结构下的所述电压异常概率向量和所述温度异常概率向量进行证据融合,获得同一串联结构下的串联异常概率矩阵,所述证据融合公式如下:
PSi(t)=[PSi,1(t),PSi,2(t),…,PSi,m(t)]T
其中,PSi(t)为在t时刻第i个电池串的所述串联异常概率向量,为在t时刻第i个电池串下的所述电压异常概率向量和所述温度异常概率向量证据融合后第Bi,r个电池异常概率,为在t时刻第i个电池串下第Bi,r个电池的所述电压异常概率向量,为在t时刻第i个电池串下第Bi,r个电池的所述温度异常概率向量,kc为冲突系数等于
根据所述同一串联结构下的串联异常概率矩阵,获得串联异常概率矩阵,公式如下:
PS(t)=[PS 1(t),PS 1(t),…,PS n(t)]∈Rm×n
其中,PS(t)为所述串联异常概率向量。
7.如权利要求6所述的储能电池运行状态的检测方法,其特征在于,所述将所述并联结构的各电池串的电流异常概率向量赋权给所述串联异常概率矩阵,获得异常状态评价矩阵,具体为:
将所述并联结构的各电池串的电流异常概率向量按列赋权给所述串联异常概率矩阵,获得异常状态评价矩阵,具体为:
SC(t)=[pI 1(t)×P1 S(t),pI 2(t)×P2 S(t),…,pI n(t)×Pn S(t)]∈Rm×n
其中,SC(t)为所述异常状态评价矩阵,PSn(t)为在t时刻第n个电池串的所述串联异常概率向量,pI n(t)在t时刻第n个电池串的所述电流异常概率向量。
8.如权利要求1所述的储能电池运行状态的检测方法,其特征在于,所述根据所述异常状态评价矩阵,判定所述各电池的运行状态,具体为:
根据所述异常状态评价矩阵,计算得分均值;
根据所述异常状态评价矩阵中全部元素和得分均值的大小关系,判断所述各电池的运行状态。
9.如权利要求8所述的储能电池运行状态的检测方法,其特征在于,所述根据所述异常状态评价矩阵中全部元素和得分均值的大小关系,判断所述各电池的运行状态,具体为:
若第(i,j)位置元素的异常状态评价矩阵值不大于所述得分均值,则判定第j条串联电池支路的第i个电池的电池运行状态结果为无异常;
若第(i,j)位置元素的异常状态评价矩阵值大于所述得分均值,则判定第j条串联电池支路的第i个电池的电池运行状态结果为存在异常。
10.一种储能电池运行状态的检测系统,其特征在于,包括:串联异常模块、证据融合模块、并联异常模块、赋权模块和状态评价模块;
其中,所述串联异常模块用于获取电池储能系统中各电池的实时数据和电池串并联关系,根据串联结构和所述各电池的实时数据,计算各串联结构下的异常概率向量;其中,所述实时数据包括实时电压数据、实时温度数据和实时电流数据,所述异常概率向量包括电压异常概率向量和温度异常概率向量,所述电池串并联关系包括所述串联结构和并联结构;
所述证据融合模块用于将同一串联结构下的所述电压异常概率向量和所述温度异常概率向量进行证据融合,获得串联异常概率矩阵;
所述并联异常模块用于根据所述并联结构的各电池串的所述实时电流数据,计算所述并联结构的各电池串的电流异常概率向量;
所述赋权模块用于将所述并联结构的各电池串的电流异常概率向量赋权给所述串联异常概率矩阵,获得异常状态评价矩阵;
所述状态评价模块用于根据所述异常状态评价矩阵,判定所述各电池的运行状态,获得所述电池储能系统中所述各电池的运行状态检测结果;其中,所述运行状态检测结果包括无异常和异常位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211731981.8A CN115963418A (zh) | 2022-12-30 | 2022-12-30 | 一种储能电池运行状态的检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211731981.8A CN115963418A (zh) | 2022-12-30 | 2022-12-30 | 一种储能电池运行状态的检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115963418A true CN115963418A (zh) | 2023-04-14 |
Family
ID=87363065
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211731981.8A Pending CN115963418A (zh) | 2022-12-30 | 2022-12-30 | 一种储能电池运行状态的检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115963418A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116632974A (zh) * | 2023-05-29 | 2023-08-22 | 无锡亚天光电科技有限公司 | 一种用于锂电池新能源仓库在线温度监测系统 |
-
2022
- 2022-12-30 CN CN202211731981.8A patent/CN115963418A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116632974A (zh) * | 2023-05-29 | 2023-08-22 | 无锡亚天光电科技有限公司 | 一种用于锂电池新能源仓库在线温度监测系统 |
CN116632974B (zh) * | 2023-05-29 | 2023-10-20 | 无锡亚天光电科技有限公司 | 一种用于锂电池新能源仓库在线温度监测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114559819B (zh) | 一种基于信号处理的电动汽车电池安全预警方法 | |
CN113052464B (zh) | 电池储能系统可靠性评估方法及系统 | |
CN104077445B (zh) | 基于模糊理论的加速寿命试验统计分析方法 | |
CN112906744B (zh) | 一种基于孤立森林算法的故障单体电池识别方法 | |
CN109604186A (zh) | 动力电池性能柔性评估分选方法 | |
CN113723010B (zh) | 一种基于lstm温度-位移相关模型的桥梁损伤预警方法 | |
CN115963418A (zh) | 一种储能电池运行状态的检测方法及系统 | |
CN113205260A (zh) | 一种基于数字孪生的电动汽车充电桩健康状态评估方法 | |
CN113406524A (zh) | 一种动力电池系统的不一致性故障诊断方法及系统 | |
Xu et al. | Safety warning analysis for power battery packs in electric vehicles with running data | |
CN112327189A (zh) | 一种基于knn算法的储能电池健康状态综合判断方法 | |
CN114460481A (zh) | 基于Bi-LSTM和注意力机制的储能电池热失控预警方法 | |
CN114676746A (zh) | 一种自然灾害下电力设备故障概率预测方法及系统 | |
CN113297033B (zh) | 基于云端监测数据的车辆电控系统健康评估方法和系统 | |
CN113469457A (zh) | 融合注意力机制的输电线路故障概率预测方法 | |
CN117763413A (zh) | 一种基于风险普查数据的单体建筑物震害快速评估方法 | |
CN116973763A (zh) | 一种锂电池包热失控预警方法和装置 | |
CN114266370A (zh) | 一种台风气象环境电网设备故障处置预案在线生成方法、系统及存储介质 | |
Zhang et al. | Electric vehicle charging fault diagnosis based on bp neural network | |
CN113935423A (zh) | 耦合模糊控制规则与Elman神经网络的动力电池故障预警方法与系统 | |
CN115144753B (zh) | 梯次储能电池运行安全检测系统、方法及储能系统 | |
CN116859249B (zh) | 一种基于大数据的锂电池监控管理系统 | |
CN117765481B (zh) | 集成多源数据的电力系统火灾智慧预警方法及系统 | |
CN112067043B (zh) | 一种木结构古建筑的缺损度检测系统 | |
CN115629320A (zh) | 电池故障类别的确定方法及装置 |
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 |