CN116106758B - 基于数据驱动的电池故障诊断方法及系统 - Google Patents
基于数据驱动的电池故障诊断方法及系统 Download PDFInfo
- Publication number
- CN116106758B CN116106758B CN202310294891.5A CN202310294891A CN116106758B CN 116106758 B CN116106758 B CN 116106758B CN 202310294891 A CN202310294891 A CN 202310294891A CN 116106758 B CN116106758 B CN 116106758B
- Authority
- CN
- China
- Prior art keywords
- voltage
- battery
- temperature
- value
- data
- 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.)
- Active
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000005856 abnormality Effects 0.000 claims abstract description 63
- 238000004146 energy storage Methods 0.000 claims abstract description 36
- 238000004364 calculation method Methods 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 239000002245 particle Substances 0.000 claims description 8
- 238000002405 diagnostic procedure Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 12
- 238000010248 power generation Methods 0.000 description 7
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 5
- 229910052744 lithium Inorganic materials 0.000 description 5
- 239000000178 monomer Substances 0.000 description 5
- 230000008030 elimination Effects 0.000 description 3
- 238000003379 elimination reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012983 electrochemical energy storage Methods 0.000 description 2
- 229910001416 lithium ion Inorganic materials 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000020169 heat generation Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003446 memory effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G01R31/3835—Arrangements for monitoring battery or accumulator variables, e.g. SoC involving only voltage 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
-
- 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
Abstract
本申请提出了一种基于数据驱动的电池故障诊断方法及系统,该方法包括:实时测量每个电池的电压值和温度值,并分别与对应的阈值范围进行比较;确定电池储能系统充放电循环中电压差值或温度差值超过对应的差值阈值的目标时刻,并获取循环的初始时刻至目标时刻之间的电压数据和温度数据;根据电压数据和温度数据计算每个电池的关于电压和温度的离散弗雷歇距离和标准差;根据离散弗雷歇距离和标准差计算每个电池的关于电压和温度的局部异常因子;将关于电压和温度的局部异常因子与对应的阈值进行比较。该方法对电池故障进行多级诊断,可以提前检测出即将发生热失控的电池,提高了电池故障诊断的准确性和可靠性。
Description
技术领域
本申请涉及储能系统故障诊断技术领域,尤其涉及一种基于数据驱动的电池故障诊断方法及系统。
背景技术
目前,为了缓解能源危机和环境污染,新能源发电的普及率正逐渐提高。其中,以风力发电、光伏发电为代表的新能源发电成本不断降低,成为了能源体系中快速发展的新生力量。但是,由于新能源发电具有间歇性、波动性的特点,带来的大量的能源浪费,而储能系统因为可以稳定电力输出,提高电能质量,成为解决可再生能源浪费的有效措施。
随着微电网技术的发展,全球储能系统的需求量逐渐增长。相比较其他储能技术,电化学储能具有诸多优势而广泛用于储能,其中,锂离子电池凭借其能量密度高、无记忆效应等优点,成为电化学储能首选方案。
然而,锂离子电池是一种复杂的电化学系统,其发电、发热和老化动态行为具有明显的非线性耦合特点。此外,电池的成组化和大型化使得系统的行为特性变得更加复杂,同时也增加了系统故障概率,给系统安全性带来了新的挑战,成为了制约其大规模应用的主要因素之一。因此,研究锂电池储能系统故障诊断对储能系统具有重要的意义。
相关技术中,通常是通过检测设备检测锂电池的某个单一的参数,将检测出数据与安全阈值相比较的方式诊断锂电池是否故障。然而,由于锂电池储能系统运行工况复杂,运行中涉及的参数较多,上述基于单参数的诊断方案的故障诊断结果可能存在较大的偏差,并且无法及时诊断出故障。
发明内容
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本申请的第一个目的在于提出一种基于数据驱动的电池故障诊断方法,该方法对电池故障进行多级诊断,在故障发生的早期即可诊断出发生了故障的具体电池,提前检测出即将发生热失控的电池,便于及时排除故障,提高了电池故障诊断的准确性和可靠性。
本申请的第二个目的在于提出一种基于数据驱动的电池故障诊断系统;
本申请的第三个目的在于提出一种非临时性计算机可读存储介质。
为达上述目的,本申请的第一方面实施例在于提出一种基于数据驱动的电池故障诊断方法,该方法包括以下步骤:
实时测量每个电池的电压值和温度值,并将所述电压值和所述温度值分别与对应的阈值范围进行比较;
在比较结果正常的情况下,确定电池储能系统充放电循环中电压差值或温度差值超过对应的差值阈值的目标时刻,并获取所述电池储能系统在循环的初始时刻至所述目标时刻之间的电压数据和温度数据;
根据所述电压数据和所述温度数据分别计算每个所述电池的电压离散弗雷歇距离、电压标准差、温度离散弗雷歇距离和温度标准差;
根据所述电压离散弗雷歇距离、所述电压标准差、所述温度离散弗雷歇距离和所述温度标准差分别计算每个所述电池的电压局部异常因子和温度局部异常因子;
将所述电压局部异常因子与电压阈值进行比较,并将所述温度局部异常因子与温度阈值进行比较,以诊断每个所述电池是否发生电压异常和温度异常。
可选地,在本申请的一个实施例中,根据所述电压数据分别计算每个所述电池的所述电压离散弗雷歇距离,包括:计算所述电压数据的电压均值向量;对每个所述电池在所述初始时刻至所述目标时刻之间的电压值进行校正,生成每个所述电池的校准电压;计算每个所述电池的所述校准电压与所述电压均值向量之间的离散弗雷歇距离DFD。
可选地,在本申请的一个实施例中,所述对每个所述电池在所述初始时刻至所述目标时刻之间的电压值进行校正,包括:计算全部的电池在所述初始时刻的初始电压的平均值,将每个所述电池的所述初始电压减去所述平均值作为每个所述电池的偏移电压;将每个所述电池在所述初始时刻至所述目标时刻之间的电压值减去所述偏移电压。
可选地,在本申请的一个实施例中,在所述计算每个所述电池的电压局部异常因子和温度局部异常因子之前,还包括:通过粒子群算法对所述电压阈值、所述温度阈值和计算局部异常因子LOF时选取的相邻数据点的数量进行优化。
可选地,在本申请的一个实施例中,通过所述粒子群算法进行优化过程中的目标函数通过以下公式表示:
其中,E(k)是目标函数,tcost()是计算时间,ΔLOF()是异常电池的局部异常因子LOF与正常电池局部异常因子LOF的差值。
可选地,在本申请的一个实施例中,所述将所述电压值和所述温度值分别与对应的阈值范围进行比较,检测每个所述电池是否发生严重故障,包括:将每个所述电池的所述电压值与电压上限阈值进行比较,检测是否发生过压故障;将每个所述电池的所述温度值与温度上限阈值进行比较,检测是否发生过热故障;将每个所述电池的所述电压值与电压下限阈值进行比较,检测是否发生欠压故障。
为达上述目的,本申请的第二方面实施例还提出了一种基于数据驱动的电池故障诊断系统,包括以下模块:
第一诊断模块,用于实时测量每个电池的电压值和温度值,并将所述电压值和所述温度值分别与对应的阈值范围进行比较;
获取模块,用于在比较结果正常的情况下,确定电池储能系统充放电循环中电压差值或温度差值超过对应的差值阈值的目标时刻,并获取所述电池储能系统在循环的初始时刻至所述目标时刻之间的电压数据和温度数据;
第一计算模块,用于根据所述电压数据和所述温度数据分别计算每个所述电池的电压离散弗雷歇距离、电压标准差、温度离散弗雷歇距离和温度标准差;
第二计算模块,用于根据所述电压离散弗雷歇距离、所述电压标准差、所述温度离散弗雷歇距离和所述温度标准差分别计算每个所述电池的电压局部异常因子和温度局部异常因子;
第二诊断模块,用于将所述电压局部异常因子与电压阈值进行比较,并将所述温度局部异常因子与温度阈值进行比较,以诊断每个所述电池是否发生电压异常和温度异常。
可选地,在本申请的一个实施例中,第一计算模块,具体用于:计算所述电压数据的电压均值向量;对每个所述电池在所述初始时刻至所述目标时刻之间的电压值进行校正,生成每个所述电池的校准电压;计算每个所述电池的所述校准电压与所述电压均值向量之间的离散弗雷歇距离DFD。
可选地,在本申请的一个实施例中,第一计算模块,具体用于:计算全部的电池在所述初始时刻的初始电压的平均值,将每个所述电池的所述初始电压减去所述平均值作为每个所述电池的偏移电压;将每个所述电池在所述初始时刻至所述目标时刻之间的电压值减去所述偏移电压。
为了实现上述实施例,本申请第三方面实施例还提出了一种非临时性计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述实施例中的基于数据驱动的电池故障诊断方法。
本申请的实施例提供的技术方案至少带来以下有益效果:本申请实时测量单体电池的电压和温度,首先根据测量的数据进行一级诊断检测电池是否存在过压、欠压或过热的故障。然后,通过相应范围内的测量数据计算每个电池的离散弗雷歇距离和局部异常因子,基于局部异常因子进行二级诊断,可以实现在热失控之前就检测到将发生热失控的电池单体。由此,本申请通过针对电压和温度的多级故障诊断,提高了故障诊断的准确性和可靠性,降低了诊断误差,丰富了可诊断出的故障类型。并且,在故障发生的早期即可诊断出发生了故障的具体电池,能够及时和具有针对性的对故障单体电池执行故障排除措施,有利于保证大型储能系统的安全、稳定的运行,提高了故障诊断的及时性和诊断结果的针对性。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本申请实施例提出的一种基于数据驱动的电池故障诊断方法的流程图;
图2为本申请实施例提出的一种电压离散弗雷歇距离的计算方法的流程图;
图3为本申请实施例提出的一种具体的基于数据驱动的电池故障诊断方法的流程图;
图4为本申请实施例提出的一种基于数据驱动的电池故障诊断系统的结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
下面参考附图详细描述本申请实施例所提出的一种基于数据驱动的电池故障诊断方法和系统。
图1为本申请实施例提出的一种基于数据驱动的电池故障诊断方法的流程图,如图1所示,该方法包括以下步骤:
步骤S101,实时测量每个电池的电压值和温度值,并将电压值和温度值分别与对应的阈值范围进行比较。
具体的,本申请的故障诊断方法基于数据驱动的方式对电池储能系统中的各个电池单体进行分级在线故障诊断与热失控预警,具体包括一级诊断和二级诊断。其中,电池储能系统可以是新能源场站中用于存储新能源输出的电能的系统,电池储能系统中的各个电池可以是锂电池等。首先进行一级诊断,具体是电池储能系统运行过程中,在每个时间点进行一级诊断,在本级诊断中实时测量储能系统中每个电池单体电压和温度,将电压值和温度值分别与对应的阈值范围进行比较,以诊断系统中是否存在极端的过压、欠压或过热故障的电池。
具体实施时,预先为电池单体的电压值和温度值分别设置一个阈值范围,由上限阈值和下限阈值构成该阈值范围,其中,各上下限阈值可以结合电池储能系统的历史运行经验、大量实验数据和专家知识等多种因素确定,具体设置方式此处不做限制。进而将每个时间点下实时测量出的当前时刻各电池单体电压和温度分别与其对应的上下限阈值进行比较。
在本申请一个实施例中,将电压值和温度值分别与对应的阈值范围进行比较,检测每个电池是否发生极端故障,包括:
将每个电池的电压值与电压上限阈值进行比较,检测是否发生过压故障,如果该时间点某个电池的电压超过上限阈值,则该电池被视为过压;将每个电池的温度值与温度上限阈值进行比较,检测是否发生过热故障,如果该时间点某个电池的温度超过上限阈值,则该电池被视为过热;将每个电池的电压值与电压下限阈值进行比较,检测是否发生欠压故障,如果该时间点某个电池的电压低于上限阈值,则该电池被视为欠压。
进一步的,若诊断出存在极端故障的电池单体,则进行报警。作为一种可能的实现方式,电池储能系统的管理平台可以在监控中心的人机交互终端上进行文字或语音报警,并通过无线通信技术将报警信息发送至预先验证了合法性的相关工作人员的移动终端处。并且,还可以控制电池储能系统相应位置处的声光报警装置进行报警。
由此,本申请先通过一级诊断检测是否存在发生了极端故障的电池单体,并优先排除极端故障。
步骤S102,在比较结果正常的情况下,确定电池储能系统充放电循环中电压差值或温度差值超过对应的差值阈值的目标时刻,并获取电池储能系统在循环的初始时刻至目标时刻之间的电压数据和温度数据。
具体的,如果上一步骤进行比较的结果正常,未在第一级诊断过程中发生报警,则进入二级诊断。在进行二级诊断时,通过计算每个电池单体的离散弗雷歇距离(DiscreteFrechet Distance,简称DFD)和局部异常因子(Local Outiler Factor,简称LOF)诊断是否存在即将发生热失控的电池单体。其中,先获取计算上述参数所需的数据,由于在本申请中分别针对电池的电压和温度计算对应的DFD和LOF,因此,获取相关时段内的电压数据和温度数据。
具体实施时,在电池储能系统的充电循环或放电循环过程中,检测是否存在从循环开始至某一时刻,电压差值或温度差值超过对应的差值阈值,即某一时段内电压或温度变化的最大范围超过对应的阈值,若存在,则记录该时刻,并获取每个电池单体从循环开始至该时刻之间不同时间点下的电压和温度。
举例而言,如果充电/放电循环中,电压发生变化的最大电压范围在时间tk超过0.06V(即为电压差值对应的差值阈值),或温度发生变化的最大温度范围在时间tk超过3℃(即为温度差值对应的差值阈值),则获取从充电/放电循环开始t0到时间tk的所有电压/温度数据,将获取的数据用作计算DFD和LOF的输入数据。
进而,获取的t0-tk时间段内的电压数据可以通过以下公式表示:
其中,
其中,n为电池单体的总数,i表示任意一个电池单体,0<=i<=n。
需要说明的是,为了便于描述本申请的方案,本申请实施例选取电压数据进行数据获取和计算的示例性说明,而温度数据的表示和后续的计算过程,与电压数据的实现原理相同,在本申请中不再进行赘述。
步骤S103,根据电压数据和温度数据分别计算每个电池的电压离散弗雷歇距离、电压标准差、温度离散弗雷歇距离和温度标准差。
具体的,根据获取的电压数据分别计算每个电池的电压离散弗雷歇距离、电压标准差,并根据获取的温度数据分别计算每个电池的温度离散弗雷歇距离和温度标准差。
为了更加清楚的说明本申请计算每个电池的离散弗雷歇距离DFD的具体实现过程,下面以本申请一个实施例中根据步骤S102的示例中获取的电压数据计算电压离散弗雷歇距离的方法进行示例性说明。图2为本申请实施例提出的一种电压离散弗雷歇距离的计算方法的流程图,如图2所示,该方法包括以下步骤:
步骤S201,计算电压数据的电压均值向量。
具体的,对于t0至tk时间段内的电压数据,通过计算该时段内每个时间点下全部的电池单体的电压值的平均值得到电压平均值向量。继续参照上述示例,可以通过以下公式计算t0-tk时间内电压平均值向量:
其中,在本实施例中相关参数的含义与步骤S102示例中相同参数的含义相同,此处不再赘述。
步骤S202,对每个电池在初始时刻至目标时刻之间的电压值进行校正,生成每个电池的校准电压。
具体的,为了消除单元电压偏移误差对计算DFD的影响,每个电池单体的电压需要减去偏移电压。
在本申请一个实施例中,对每个电池在初始时刻至目标时刻之间的电压值进行校正,包括:先计算全部的电池在初始时刻的初始电压的平均值,将每个电池的初始电压减去平均值作为每个电池的偏移电压;再将每个电池在初始时刻至目标时刻之间的电压值减去偏移电压,得到校正后的每个电池的校准电压。
即,第i个电池的偏移电压可以通过以下公式计算:
其中,ubud,i是偏移电压,是计算出的全部的电池单体在初始时刻的初始电压的平均值。
进而,将每个电池扣除其自身的偏移电压,校准的电池电压可以通过以下公式表示:
其中,
由此,每个电池单体的初始电压将等于储能系统中所有单体初始电压的平均值。
步骤S203,计算每个电池的校准电压与电压均值向量之间的离散弗雷歇距离DFD。
具体的,计算每个电池单体的校准电压与步骤S201中得到均值电压矢量之间的DFD。
举例而言,对于第i个电池,可以通过以下公式计算该电池的电压DFD:
其中,具体的计算原理和计算过程可以参照相关技术中的DFD计算,此处不再赘述,比如,上述公式中的参数α和β是将区间[t0,tk]映射到给定的不同区间的连续非降函数。
进一步的,根据电压数据计算电压标准差。
作为一种可能的实现方式,可以通过以下公式计算电压标准差:
其中,
由此,本申请根据t0至tk时间段内的电压数据计算出了电压离散弗雷歇距离和电压标准差,对于温度离散弗雷歇距离和温度标准差可以根据t0至tk时间段内的温度数据按照上述相同的方式进行计算,计算原理相似。
步骤S104,根据电压离散弗雷歇距离、电压标准差、温度离散弗雷歇距离和温度标准差分别计算每个电池的电压局部异常因子和温度局部异常因子。
具体的,在二级诊断过程中根据计算出的DFD和标准差计算局部异常因子LOF。其中,LOF是基于密度的经典算法,可以在高维数据集上执行异常值检测,它对数据的分布要求较低且可以量化每个数据点的异常程度。
具体计算时,继续选取计算电压局部异常因子进行示例性说明,每个电池单体的局部异常因子的计算过程相同。对于系统中任意第i个电池单体的电压LOF表示为LOFm(ui),将该电池单体的电压DFD与电压标准差作为LOFm(ui)的输入进行计算,设置m为数据点附近所取最近相邻点的数量。
作为一种示例,可以通过以下公式计算LOF:
reach-distk(p,0)=max{k-dtstance(o),d(p,o)}
其中,reach-distk为可达距离,lrdk为局部可达密度,Nk(p)为以P为中心,以K-distance为半径的区域内所有对象的集合。
需要说明的是,式中的其他参数、具体计算LOF的原理和计算过程可以参照相关技术中的LOF计算,实现原理相似。比如,d(p,o)是两点P和O之间的距离,K-distance表示第k距离,是在距离数据点p最近的几个点中,第k个最近的点跟点p之间的距离等,此处不再一一描述。
由此,本申请计算出每个电池的电压局部异常因子LOFm(ui),对于第i个电池单体温度的LOF表示为LOFm(Ti),具体计算过程可参照上述计算LOFm(ui)的相关描述。
在本申请一个实施例中,如果某个电池温度的最大温度范围超过3℃,则将温度LOF设置为0。
步骤S105,将电压局部异常因子与电压阈值进行比较,并将温度局部异常因子与温度阈值进行比较,以诊断每个电池是否发生电压异常和温度异常。
具体的,本申请预先针对电压局部异常因子LOFm(ui)和温度局部异常因子LOFm(Ti)分别设置了电压阈值ζu和温度阈值ζT,并将计算出的系统中每个电池的LOFm(ui)与电压阈值ζu进行比较,将每个电池的LOFm(Ti)与温度阈值ζT进行比较,若存在某个电池的LOFm(ui)或LOFm(Ti)超过对应的阈值,则将该电池根据超过阈值标记为电压异常电池或温度异常电池。
本申请通过二级诊断可以诊断出电压和/或温度异常的电池,本级诊断出异常的电池即将发生热失控,进而针对诊断出异常的具体电池单体进行报警,以便及时采取相关处理措施排除故障,防止发生进一步损坏。相反的,若储能系统中每个电池电压/温度的LOF值小于给定阈值,则不会触发报警。具体进行报警的过程可以参照步骤S101中的相关描述。
在本申请一个实施例中,为了进一步提高故障诊断的准确性,在计算每个电池的电压局部异常因子和温度局部异常因子,以及设置电压阈值ζu和温度阈值ζT之前,还包括:通过粒子群算法对电压阈值ζu、温度阈值ζT和计算局部异常因子LOF时选取的相邻数据点的数量m进行优化。具体进行优化过程中的目标函数通过以下公式表示:
其中,E(k)是目标函数,tcost()是计算时间,ΔLOF()是异常电池的局部异常因子LOF与正常电池局部异常因子LOF的差值。
由此,通过设置更加合理的计算参数和进行比较的阈值,进一步提高了二级诊断结果的准确性。
综上所述,本申请实施例的基于数据驱动的电池故障诊断方法,实时测量单体电池的电压和温度,首先根据测量的数据进行一级诊断检测电池是否存在过压、欠压或过热的故障。然后,通过相应范围内的测量数据计算每个电池的离散弗雷歇距离和局部异常因子,基于局部异常因子进行二级诊断,可以实现在热失控之前就检测到将发生热失控的电池单体。由此,该方法通过针对电压和温度的多级故障诊断,提高了故障诊断的准确性和可靠性,降低了诊断误差,丰富了可诊断出的故障类型。并且,在故障发生的早期即可诊断出发生了故障的具体电池,能够及时和具有针对性的对故障单体电池执行故障排除措施,有利于保证大型储能系统的安全、稳定的运行,提高了故障诊断的及时性和诊断结果的针对性。
为了更加清楚地说明本申请实施例的基于数据驱动的电池故障诊断方法的实现流程,下面以一个具体的方法实施例进行详细说明。图3为本申请实施例提出的一种具体的基于数据驱动的电池故障诊断方法的流程图,如图3所示,该实施例的故障诊断方法包括以下步骤:
步骤S301,获取每个时间点的电压、温度数据。
步骤S302,判断电压U和温度T是否超过阈值,若是,则执行步骤S311,若否,则执行步骤S303。
步骤S303,持续判断电压变化范围中的最大电压值与最小电压值的差值是否大于0.6V,并判断温度变化范围中的最大温度值与最小温度值的差值是否大于3℃,若是则执行步骤S304,若否,则执行步骤S312。
步骤S304,获取t0至tk期间的电压、温度数据。
步骤S305,计算电压、温度的平均值。
步骤S306,计算电压、温度的偏差值。
步骤S307,计算电压、温度的DFD。
步骤S308,计算电压、温度的标准差。
需要说明的是,如图3所示,步骤S308的执行过程,与步骤S305至步骤S307并行执行。
步骤S309,计算电压、温度的LOF。
步骤S310,判断电压、温度的LOF是否超过对应的阈值,若是,则执行步骤S311,若否,则执行步骤S312。
步骤S311,进行报警。
步骤S312,判定系统安全。
需要说明的是,本实施例中各步骤的具体实现方式可参照上述实施例中的相关描述,此处不再赘述。
为了实现上述实施例,本申请还提出了一种基于数据驱动的电池故障诊断系统,图4为本申请实施例提出的一种基于数据驱动的电池故障诊断系统的结构示意图,如图4所示,该系统包括第一诊断模块100、获取模块200、第一计算模块300、第二计算模块400和第二诊断模块500。
其中,第一诊断模块100,用于实时测量每个电池的电压值和温度值,并将电压值和温度值分别与对应的阈值范围进行比较。
获取模块200,用于在比较结果正常的情况下,确定电池储能系统充放电循环中电压差值或温度差值超过对应的差值阈值的目标时刻,并获取电池储能系统在循环的初始时刻至目标时刻之间的电压数据和温度数据。
第一计算模块300,用于根据电压数据和温度数据分别计算每个电池的电压离散弗雷歇距离、电压标准差、温度离散弗雷歇距离和温度标准差。
第二计算模块400,用于根据电压离散弗雷歇距离、电压标准差、温度离散弗雷歇距离和温度标准差分别计算每个电池的电压局部异常因子和温度局部异常因子。
第二诊断模块500,用于将电压局部异常因子与电压阈值进行比较,并将温度局部异常因子与温度阈值进行比较,以诊断每个电池是否发生电压异常和温度异常。
可选地,在本申请的一个实施例中,第一计算模块300,具体用于:计算电压数据的电压均值向量;对每个电池在初始时刻至目标时刻之间的电压值进行校正,生成每个电池的校准电压;计算每个电池的校准电压与电压均值向量之间的离散弗雷歇距离DFD。
可选地,在本申请的一个实施例中,第一计算模块300,具体用于:计算全部的电池在初始时刻的初始电压的平均值,将每个电池的初始电压减去平均值作为每个电池的偏移电压;将每个电池在初始时刻至目标时刻之间的电压值减去偏移电压。
可选地,在本申请的一个实施例中,第二诊断模块500,还用于:通过粒子群算法对所述电压阈值、所述温度阈值和计算局部异常因子LOF时选取的相邻数据点的数量进行优化。
可选地,在本申请的一个实施例中,第二诊断模块500,具体用于通过以下公式确定粒子群算法优化过程中的目标函数:
其中,E(k)是目标函数,tcost()是计算时间,ΔLOF()是异常电池的局部异常因子LOF与正常电池局部异常因子LOF的差值。
可选地,在本申请的一个实施例中,第一诊断模块100,具体用于:将每个电池的电压值与电压上限阈值进行比较,检测是否发生过压故障;将每个电池的温度值与温度上限阈值进行比较,检测是否发生过热故障;将每个电池的电压值与电压下限阈值进行比较,检测是否发生欠压故障。
需要说明的是,前述对基于数据驱动的电池故障诊断方法的实施例的解释说明也适用于该实施例的系统,此处不再赘述。
综上所述,本申请实施例的基于数据驱动的电池故障诊断系统,实时测量单体电池的电压和温度,首先根据测量的数据进行一级诊断检测电池是否存在过压、欠压或过热的故障。然后,通过相应范围内的测量数据计算每个电池的离散弗雷歇距离和局部异常因子,基于局部异常因子进行二级诊断,可以实现在热失控之前就检测到将发生热失控的电池单体。由此,该系统通过针对电压和温度的多级故障诊断,提高了故障诊断的准确性和可靠性,降低了诊断误差,丰富了可诊断出的故障类型。并且,在故障发生的早期即可诊断出发生了故障的具体电池,能够及时和具有针对性的对故障单体电池执行故障排除措施,有利于保证大型储能系统的安全、稳定的运行,提高了故障诊断的及时性和诊断结果的针对性。
为了实现上述实施例,本申请还提出了一种非临时性计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现如上述实施例中任一所述的基于数据驱动的电池故障诊断方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (9)
1.一种基于数据驱动的电池故障诊断方法,其特征在于,包括以下步骤:
实时测量每个电池的电压值和温度值,并将所述电压值和所述温度值分别与对应的阈值范围进行比较;
在比较结果正常的情况下,确定电池储能系统充放电循环中电压差值或温度差值超过对应的差值阈值的目标时刻,并获取所述电池储能系统在循环的初始时刻至所述目标时刻之间的电压数据和温度数据;
根据所述电压数据和所述温度数据分别计算每个所述电池的电压离散弗雷歇距离、电压标准差、温度离散弗雷歇距离和温度标准差;
根据所述电压离散弗雷歇距离、所述电压标准差、所述温度离散弗雷歇距离和所述温度标准差分别计算每个所述电池的电压局部异常因子和温度局部异常因子;
将所述电压局部异常因子与电压阈值进行比较,并将所述温度局部异常因子与温度阈值进行比较,以诊断每个所述电池是否发生电压异常和温度异常;
所述诊断方法还包括:在计算每个所述电池的电压局部异常因子和温度局部异常因子之前,通过粒子群算法对所述电压阈值、所述温度阈值和计算局部异常因子LOF时选取的相邻数据点的数量进行优化。
2.根据权利要求1所述的诊断方法,其特征在于,根据所述电压数据分别计算每个所述电池的所述电压离散弗雷歇距离,包括:
计算所述电压数据的电压均值向量;
对每个所述电池在所述初始时刻至所述目标时刻之间的电压值进行校正,生成每个所述电池的校准电压;
计算每个所述电池的所述校准电压与所述电压均值向量之间的离散弗雷歇距离DFD。
3.根据权利要求2所述的诊断方法,其特征在于,所述对每个所述电池在所述初始时刻至所述目标时刻之间的电压值进行校正,包括:
计算全部的电池在所述初始时刻的初始电压的平均值,将每个所述电池的所述初始电压减去所述平均值作为每个所述电池的偏移电压;
将每个所述电池在所述初始时刻至所述目标时刻之间的电压值减去所述偏移电压。
4.根据权利要求1所述的诊断方法,其特征在于,通过所述粒子群算法进行优化过程中的目标函数通过以下公式表示:
其中,E(k)是目标函数,tcost(k)是计算时间,ΔLOF(k)是异常电池的局部异常因子LOF与正常电池局部异常因子LOF的差值。
5.根据权利要求1所述的诊断方法,其特征在于,所述将所述电压值和所述温度值分别与对应的阈值范围进行比较,包括:
将每个所述电池的所述电压值与电压上限阈值进行比较,检测是否发生过压故障;
将每个所述电池的所述温度值与温度上限阈值进行比较,检测是否发生过热故障;
将每个所述电池的所述电压值与电压下限阈值进行比较,检测是否发生欠压故障。
6.一种基于数据驱动的电池故障诊断系统,其特征在于,包括以下模块:
第一诊断模块,用于实时测量每个电池的电压值和温度值,并将所述电压值和所述温度值分别与对应的阈值范围进行比较;
获取模块,用于在比较结果正常的情况下,确定电池储能系统充放电循环中电压差值或温度差值超过对应的差值阈值的目标时刻,并获取所述电池储能系统在循环的初始时刻至所述目标时刻之间的电压数据和温度数据;
第一计算模块,用于根据所述电压数据和所述温度数据分别计算每个所述电池的电压离散弗雷歇距离、电压标准差、温度离散弗雷歇距离和温度标准差;
第二计算模块,用于根据所述电压离散弗雷歇距离、所述电压标准差、所述温度离散弗雷歇距离和所述温度标准差分别计算每个所述电池的电压局部异常因子和温度局部异常因子;
第二诊断模块,用于将所述电压局部异常因子与电压阈值进行比较,并将所述温度局部异常因子与温度阈值进行比较,以诊断每个所述电池是否发生电压异常和温度异常;
所述诊断系统还包括:在计算每个所述电池的电压局部异常因子和温度局部异常因子之前,通过粒子群算法对所述电压阈值、所述温度阈值和计算局部异常因子LOF时选取的相邻数据点的数量进行优化。
7.根据权利要求6所述的诊断系统,其特征在于,所述第一计算模块,具体用于:
计算所述电压数据的电压均值向量;
对每个所述电池在所述初始时刻至所述目标时刻之间的电压值进行校正,生成每个所述电池的校准电压;
计算每个所述电池的所述校准电压与所述电压均值向量之间的离散弗雷歇距离DFD。
8.根据权利要求7所述的诊断系统,其特征在于,所述第一计算模块,具体用于:
计算全部的电池在所述初始时刻的初始电压的平均值,将每个所述电池的所述初始电压减去所述平均值作为每个所述电池的偏移电压;
将每个所述电池在所述初始时刻至所述目标时刻之间的电压值减去所述偏移电压。
9.一种非临时性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1-5中任一所述的基于数据驱动的电池故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310294891.5A CN116106758B (zh) | 2023-03-23 | 2023-03-23 | 基于数据驱动的电池故障诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310294891.5A CN116106758B (zh) | 2023-03-23 | 2023-03-23 | 基于数据驱动的电池故障诊断方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116106758A CN116106758A (zh) | 2023-05-12 |
CN116106758B true CN116106758B (zh) | 2024-01-30 |
Family
ID=86262325
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310294891.5A Active CN116106758B (zh) | 2023-03-23 | 2023-03-23 | 基于数据驱动的电池故障诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116106758B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116400231B (zh) * | 2023-06-09 | 2023-10-03 | 中国华能集团清洁能源技术研究院有限公司 | 储能系统的电池多故障检测方法、装置及电子设备 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110703109A (zh) * | 2019-10-25 | 2020-01-17 | 山东大学 | 一种基于修正样本熵的电池串多故障诊断方法及系统 |
CN111064253A (zh) * | 2019-12-30 | 2020-04-24 | 上海电力大学 | 一种基于平均离散Fréchet距离的电池健康度快速评估方法 |
CN111751756A (zh) * | 2020-07-31 | 2020-10-09 | 中国汽车工程研究院股份有限公司 | 一种用累积动力电池温度曲线识别故障电池单体的方法 |
CN112345955A (zh) * | 2020-11-04 | 2021-02-09 | 北京理工大学 | 一种动力电池多故障在线诊断方法与系统 |
CN112711832A (zh) * | 2020-12-08 | 2021-04-27 | 重庆理工大学 | 同步发电机定子绕组温度预警与故障识别的方法与系统 |
CN112816885A (zh) * | 2021-01-06 | 2021-05-18 | 北京嘀嘀无限科技发展有限公司 | 一种电池异常检测方法、装置、电子设备及存储介质 |
CN113791350A (zh) * | 2021-08-06 | 2021-12-14 | 陕西汽车集团股份有限公司 | 电池故障预测方法 |
WO2021249269A1 (zh) * | 2020-06-08 | 2021-12-16 | 中国第一汽车股份有限公司 | 预警方法、装置、设备及存储介质 |
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 |
CN114839541A (zh) * | 2022-05-18 | 2022-08-02 | 山东大学 | 基于k均值聚类的动力电池组不一致性诊断方法及系统 |
CN115097319A (zh) * | 2022-07-21 | 2022-09-23 | 山东大学 | 一种动力电池组故障在线诊断方法及系统 |
-
2023
- 2023-03-23 CN CN202310294891.5A patent/CN116106758B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110703109A (zh) * | 2019-10-25 | 2020-01-17 | 山东大学 | 一种基于修正样本熵的电池串多故障诊断方法及系统 |
CN111064253A (zh) * | 2019-12-30 | 2020-04-24 | 上海电力大学 | 一种基于平均离散Fréchet距离的电池健康度快速评估方法 |
WO2021249269A1 (zh) * | 2020-06-08 | 2021-12-16 | 中国第一汽车股份有限公司 | 预警方法、装置、设备及存储介质 |
CN111751756A (zh) * | 2020-07-31 | 2020-10-09 | 中国汽车工程研究院股份有限公司 | 一种用累积动力电池温度曲线识别故障电池单体的方法 |
CN112345955A (zh) * | 2020-11-04 | 2021-02-09 | 北京理工大学 | 一种动力电池多故障在线诊断方法与系统 |
CN112711832A (zh) * | 2020-12-08 | 2021-04-27 | 重庆理工大学 | 同步发电机定子绕组温度预警与故障识别的方法与系统 |
CN112816885A (zh) * | 2021-01-06 | 2021-05-18 | 北京嘀嘀无限科技发展有限公司 | 一种电池异常检测方法、装置、电子设备及存储介质 |
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 |
CN113791350A (zh) * | 2021-08-06 | 2021-12-14 | 陕西汽车集团股份有限公司 | 电池故障预测方法 |
CN114839541A (zh) * | 2022-05-18 | 2022-08-02 | 山东大学 | 基于k均值聚类的动力电池组不一致性诊断方法及系统 |
CN115097319A (zh) * | 2022-07-21 | 2022-09-23 | 山东大学 | 一种动力电池组故障在线诊断方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116106758A (zh) | 2023-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yu et al. | Current sensor fault diagnosis method based on an improved equivalent circuit battery model | |
US11959973B2 (en) | Multi-fault diagnosis method and system for battery packs based on corrected sample entropy | |
CN108562855B (zh) | 电池内短路检测方法、装置和计算机可读存储介质 | |
US20140302355A1 (en) | Method for Ascertaining Operating Parameters of a Battery, Battery Management System, and Battery | |
WO2023274318A1 (zh) | 电池突发型内短路诊断方法、装置、存储介质及电子设备 | |
CN116106758B (zh) | 基于数据驱动的电池故障诊断方法及系统 | |
CN112782587B (zh) | 一种动力电池单体异常变化检测方法及系统 | |
CN110940921A (zh) | 基于修正方差的锂离子电池串的多故障诊断方法及系统 | |
CN103378376A (zh) | 具有用于基于模型的电池控制的监视逻辑的电池控制器 | |
US20220276319A1 (en) | Apparatus and method for diagnosing battery | |
SE543436C2 (en) | Method for estimating state of health of a battery | |
CN116540108B (zh) | 一种电芯容量衰减预警方法、装置、存储介质及设备 | |
CN113866641A (zh) | 一种锂离子电池的故障检测方法及装置 | |
CN110749829B (zh) | 一种供电设备异常检测方法及装置 | |
Wang et al. | Charging diagnosis of power battery based on adaptive STCKF and BLS for electric vehicles | |
CN114563721A (zh) | 一种电池系统电流异常变化检测方法 | |
US20230324463A1 (en) | Method and Apparatus for Operating a System for Detecting an Anomaly of an Electrical Energy Store for a Device by Means of Machine Learning Methods | |
CN105759217A (zh) | 一种基于可测数据的铅酸蓄电池组在线故障诊断方法 | |
CN116027203A (zh) | 电池短路故障的检测方法及装置 | |
US20220255153A1 (en) | Method and system for detecting connection fault of parallel connection cells | |
CN112083340B (zh) | 蓄电池组性能检测方法及装置、存储介质、终端 | |
KR20220019564A (ko) | 배터리 이상 진단 장치 및 방법 | |
Diao et al. | Research on Electric Vehicle Charging Safety Warning based on A-LSTM Algorithm | |
Hou et al. | An online calibration algorithm of SOC for LiFePO4 battery by using characteristic curve | |
CN114062943B (zh) | 一种锂离子电池系统极化异常预警方法及系统 |
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 |