CN116184229A - 基于电压预测的锂离子电池内短路故障诊断方法和装置 - Google Patents
基于电压预测的锂离子电池内短路故障诊断方法和装置 Download PDFInfo
- Publication number
- CN116184229A CN116184229A CN202310035129.5A CN202310035129A CN116184229A CN 116184229 A CN116184229 A CN 116184229A CN 202310035129 A CN202310035129 A CN 202310035129A CN 116184229 A CN116184229 A CN 116184229A
- Authority
- CN
- China
- Prior art keywords
- battery
- voltage
- predicted
- log
- prediction
- 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
- 238000000034 method Methods 0.000 title claims abstract description 79
- 238000003745 diagnosis Methods 0.000 title claims abstract description 45
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 title claims abstract description 27
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 27
- 238000005259 measurement Methods 0.000 claims abstract description 30
- 230000001186 cumulative effect Effects 0.000 claims abstract description 27
- 238000009825 accumulation Methods 0.000 claims abstract description 17
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 2
- 230000035945 sensitivity Effects 0.000 abstract description 11
- 238000004146 energy storage Methods 0.000 abstract description 9
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 238000001514 detection method Methods 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 7
- 238000005070 sampling Methods 0.000 description 7
- 239000013598 vector Substances 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013450 outlier detection Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 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
- 238000004904 shortening Methods 0.000 description 1
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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
-
- 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
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/52—Testing for short-circuits, leakage current or ground faults
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本申请提出了一种基于电压预测的锂离子电池内短路故障诊断方法，包括：获取串联电池组中电池的第一预设时长的测量电压；根据电池的电压之间的相关系数公式，得到每个电池的预测公式；根据电池的第一预设时长的测量电压，分别使用预测公式进行预测，得到每个电池当前时刻的预测电压；获取每个电池当前时刻的测量电压，并根据预测电压和测量电压计算得到每个电池的残差；基于累积求和方法对每个电池的残差进行计算，得到每个电池的对数似然比的累积和，并根据对数似然比的累积和，对电池进行故障诊断。本申请采用基于统计推断的累积求和方法对残差进行评估，提高了故障监测的灵敏性、鲁棒性和可靠性，保证了大型电池储能系统的安全运行。
Description
技术领域
本申请涉及电池故障诊断技术领域，尤其涉及一种基于电压预测的锂离子电池内短路故障诊断方法和装置。
背景技术
锂离子电池因其体积小、重量轻、能量密度高等优点成为储能电池的首选。然而，随着电池老化，电池易发生内短路故障。内短路故障无明显的电压和温度变化，但将导致额外的容量损失并损坏电池组一致性，缩短电池寿命，并且随着故障的发展，最终还会导致热失控。因此，在没有明显特征变化的情况下诊断内短路故障非常重要。
内短路故障诊断方法主要分为模型法和数据驱动法。模型法通过建立电池的等效模型，通过评估模型预测值与传感器测量值之间的残差来诊断内短路故障。然而，模型法存在模型精度难以保证、电池参数难获取等问题。数据驱动法不依赖具体模型，通过评估采集数据的一致性或检测采集数据中的异常值，实现短路故障诊断。一致性评估方法包括相关系数法和异常值检测法。其中，相关系数法可以通过检测测量信号变化趋势的一致性来检测故障，非常适合检测没有明显异常电压现象的电池故障。然而，基于相关系数的方法对故障的敏感性较低。异常值检测法较相关系数法计算更为复杂。
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电压预测的锂离子电池内短路故障诊断方法，解决了现有电池内短路故障诊断方法的电池等效模型精度难以保证、电池参数难获取，且故障诊断的敏感性较低，计算较为复杂的技术问题，通过计算预测电压与测量电压之间的残差，并对残差进行评估进行故障诊断，提高了故障监测的灵敏性、鲁棒性和可靠性，保证大型电池储能系统的安全运行。
本申请的第二个目的在于提出一种基于电压预测的锂离子电池内短路故障诊断装置。
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，本申请第一方面实施例提出了一种基于电压预测的锂离子电池内短路故障诊断方法，包括：获取串联电池组中电池的第一预设时长的测量电压；根据电池的电压之间的相关系数公式，得到每个电池的预测公式；根据电池的第一预设时长的测量电压，分别使用预测公式进行预测，得到每个电池当前时刻的预测电压；获取每个电池当前时刻的测量电压，并根据预测电压和测量电压计算得到每个电池的残差；基于累积求和方法对每个电池的残差进行计算，得到每个电池的对数似然比的累积和，并根据对数似然比的累积和，对电池进行故障诊断。
可选地，在本申请的一个实施例中，根据电池的电压之间的相关系数公式，得到每个电池的预测公式，包括：
对串联电池组中的电池进行分组，得到多个电池组，其中，每个电池组包括一个被预测电池和一个参考电池；
根据每个电池组中被预测电池和参考电池的相关系数公式，得到每个电池的预测公式。
可选地，在本申请的一个实施例中，对串联电池组中的电池进行分组，得到多个电池组，包括：
将串联电池组中每一个电池与下一个电池分为一组，并且将最后一个电池与第一个电池分为一组，得到多个电池组，其中，每个电池存在于两个电池组中，每个电池为上一个电池组的被预测电池，同时为下一个电池组的参考电池。
可选地，在本申请的一个实施例中，根据每个电池组中被预测电池和参考电池的相关系数公式，得到每个电池的预测公式，包括：
通过将每个电池组中被预测电池和参考电池的相关系数公式中的相关系数设置为1，并对相关系数公式进行转换，得到每个电池的预测公式；
其中，被预测电池和参考电池的相关系数公式表示为：
其中，x为参考电池的电压数据，y为被预测电池的电压数据，r是参考电池的电压数据x和被预测电池的电压数据y的相关性系数，
和
分别是参考电池的电压数据x和被预测电池的电压数据y的平均值，n是参考电池的电压数据x和被预测电池的电压数据y的长度；
电池的预测公式表示为：
其中，xi为参考电池的第i个电压数据，yi为被预测电池的第i个电压数据，xn为参考电池的第n个电压数据，yn为被预测电池的第n个电压数据，n为参考电池的电压数据x和被预测电池的电压数据y的长度。
可选地，在本申请的一个实施例中，根据电池的第一预设时长的测量电压，分别使用预测公式进行预测，得到每个电池当前时刻的预测电压，包括：
根据每个电池组中被预测电池和参考电池的第一预设时长的测量电压，分别使用每个电池的预测公式进行预测，得到每个电池当前时刻的预测电压。
可选地，在本申请的一个实施例中，电池的残差的计算公式表示为：
e＝ypredict-ymeasure
其中，e为电池的残差，ypredict为电池的预测电压值，ymeasure为电池的测量电压值。
可选地，在本申请的一个实施例中，基于累积求和方法对每个电池的残差进行计算，得到每个电池的对数似然比的累积和，包括：
获取每个电池的无故障假设和内短路故障假设的对数似然比；
对对数似然比进行累积求和，得到每个电池的对数似然比的累积和；
其中，对数似然比表示为：
其中，s(e)为电池的对数似然比，e为电池的残差，pH1和pH0分别是内短路故障假设H1和无故障假设H0的概率密度函数；
对数似然比的累积和表示为：
其中，St为当前时刻电池的对数似然比的累积和，St-1为上一时刻电池的对数似然比的累积和，s(et)为当前时刻电池的对数似然比。
可选地，在本申请的一个实施例中，根据对数似然比的累积和，对电池进行故障诊断，包括：
当电池的对数似然比的累积和大于等于预设阈值时，判定电池存在内短路故障。
为达上述目的，本申请第二方面实施例提出了一种基于电压预测的锂离子电池内短路故障诊断装置，包括：
获取模块，用于获取串联电池组中电池的第一预设时长的测量电压；
预测公式获取模块，用于根据电池的电压之间的相关系数公式，得到每个电池的预测公式；
预测模块，用于根据电池的第一预设时长的测量电压，分别使用预测公式进行预测，得到每个电池当前时刻的预测电压；
残差计算模块，用于获取每个电池当前时刻的测量电压，并根据预测电压和测量电压计算得到每个电池的残差；
故障诊断模块，用于基于累积求和方法对每个电池的残差进行计算，得到每个电池的对数似然比的累积和，并根据对数似然比的累积和，对电池进行故障诊断。
为了实现上述目的，本申请第三方面实施例提出了一种非临时性计算机可读存储介质，当所述存储介质中的指令由处理器被执行时，能够执行一种基于电压预测的锂离子电池内短路故障诊断方法。
本申请基于电压预测的锂离子电池内短路故障诊断方法、装置和非临时性计算机可读存储介质
本申请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，或通过本申请的实践了解到。
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为本申请实施例一所提供的一种基于电压预测的锂离子电池内短路故障诊断方法的流程图；
图2为本申请实施例的基于电压预测的锂离子电池内短路故障诊断方法的另一个流程示意图；
图3为本申请实施例二所提供的一种基于电压预测的锂离子电池内短路故障诊断装置的结构示意图。
具体实施方式
下面详细描述本申请的实施例，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，旨在用于解释本申请，而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的基于电压预测的锂离子电池内短路故障诊断方法和装置。
图1为本申请实施例一所提供的一种基于电压预测的锂离子电池内短路故障诊断方法的流程示意图。
如图1所示，该基于电压预测的锂离子电池内短路故障诊断方法包括以下步骤：
步骤101，获取串联电池组中电池的第一预设时长的测量电压；
步骤102，根据电池的电压之间的相关系数公式，得到每个电池的预测公式；
步骤103，根据电池的第一预设时长的测量电压，分别使用预测公式进行预测，得到每个电池当前时刻的预测电压；
步骤104，获取每个电池当前时刻的测量电压，并根据预测电压和测量电压计算得到每个电池的残差；
步骤105，基于累积求和方法对每个电池的残差进行计算，得到每个电池的对数似然比的累积和，并根据对数似然比的累积和，对电池进行故障诊断。
本申请实施例的基于电压预测的锂离子电池内短路故障诊断方法，通过获取串联电池组中电池的第一预设时长的测量电压；根据电池的电压之间的相关系数公式，得到每个电池的预测公式；根据电池的第一预设时长的测量电压，分别使用预测公式进行预测，得到每个电池当前时刻的预测电压；获取每个电池当前时刻的测量电压，并根据预测电压和测量电压计算得到每个电池的残差；基于累积求和方法对每个电池的残差进行计算，得到每个电池的对数似然比的累积和，并根据对数似然比的累积和，对电池进行故障诊断。由此，能够解决现有电池内短路故障诊断方法的电池等效模型精度难以保证、电池参数难获取，且故障诊断的敏感性较低，计算较为复杂的技术问题，通过计算预测电压与测量电压之间的残差，并对残差进行评估进行故障诊断，提高了故障监测的灵敏性、鲁棒性和可靠性，保证大型电池储能系统的安全运行。
本申请采用基于移动窗口的滤波器对数据进行处理，提高了故障监测的灵敏性，将相关性评估问题转化为电压预测问题，采用基于统计推断的累积求和方法对残差进行评估，提高了故障诊断的鲁棒性，同时本申请在没有明显特征变化的情况下对内短路故障进行诊断，大大提高了故障诊断的可靠性，保证了大型电池储能系统的安全运行。
本申请根据每个电池当前时刻的预测电压和每个电池当前时刻的测量电压计算得到每个电池当前时刻的残差；基于累积求和方法对每个电池当前时刻的残差进行计算，从而对当前时刻的电池进行故障诊断，完成当前时刻电池的故障诊断后，再对下一时刻的电池进行故障诊断，以完成不间断的对串联电池组的电池进行故障诊断。
本申请采用基于移动窗口的滤波器对数据进行采样，以获取串联电池组中电池的第一预设时长的测量电压，其中，移动窗口的大小通过机器学习的方式获得。在每个采样时刻，在窗口中添加一个采样获得的新数据，同时删除位于样本末尾的一个旧数据，以获得下一个时刻的数据。该方法可以解决电池储能系统所测量的电池数据的数据量很大带来的故障检测灵敏性降低的问题。
进一步地，在本申请实施例中，根据电池的电压之间的相关系数公式，得到每个电池的预测公式，包括：
对串联电池组中的电池进行分组，得到多个电池组，其中，每个电池组包括一个被预测电池和一个参考电池；
根据每个电池组中被预测电池和参考电池的相关系数公式，得到每个电池的预测公式。
进一步地，在本申请实施例中，对串联电池组中的电池进行分组，得到多个电池组，包括：
将串联电池组中每一个电池与下一个电池分为一组，并且将最后一个电池与第一个电池分为一组，得到多个电池组，其中，每个电池存在于两个电池组中，每个电池为上一个电池组的被预测电池，同时为下一个电池组的参考电池。
本申请实施例中，为了在具有N个串联电池的电池组中定位故障电池，可以将每两个相邻电池分成一组，并将最后一个电池与第一个电池分为一组，得到N个电池组，每个电池单体只存在于两个组中，每个电池组中的前一个电池为参考电池，一个电池组中的被预测电池是另一个电池组的参考电池。
进一步地，在本申请实施例中，根据每个电池组中被预测电池和参考电池的相关系数公式，得到每个电池的预测公式，包括：
通过将每个电池组中被预测电池和参考电池的相关系数公式中的相关系数设置为1，并对相关系数公式进行转换，得到每个电池的预测公式；
其中，被预测电池和参考电池的相关系数公式表示为：
其中，x为参考电池的电压数据，y为被预测电池的电压数据，r是向量x和y的相关性系数，
和
分别是向量x和y的平均值，n是向量x和y的长度，下标i表示向量中元素的序号；相关系数r的范围为-1到1，表示两个变量之间从负相关性到正相关性的关系，0表示无相关性，此相关系数可以评估x和y之间的线性相关程度；
电池的预测公式表示为：
其中，xi为参考电池的第i个电压数据，yi为被预测电池的第i个电压数据，xn为参考电池的第n个电压数据，yn为被预测电池的第n个电压数据，n为向量x和y的长度。
由于计算样本的大小对相关性的评估有影响，样本过大时，故障检测的灵敏性会降低，而样本过小时，测量噪声对相关系数的影响非常大。电池储能系统所测量的电池数据的数据量很大，因此，本申请中采用基于移动窗口的滤波器对数据进行处理。在每个采样时刻，在窗口中添加一个采样获得的新数据，同时删除位于样本末尾的一个旧数据。移动窗口的大小通过机器学习的方式获得。
另外，测量噪声也会影响相关性评估的结果。当电池未通电，即电流为0时，电池电压波动较小，此时相关系数受到测量噪声影响最大，这严重影响了故障诊断的鲁棒性。因此，为了降低测量噪声影响，本申请将相关性评估问题转化为电压预测问题。由于串联电池具有相同的工作条件和工作环境，因此串联电池组中每个电池的电压具有非常强的线性相关性。在此基础上，通过将相关系数r设置为1，并对相关系数公式进行转换，得到每个电池的预测公式。
进一步地，在本申请实施例中，根据电池的第一预设时长的测量电压，分别使用预测公式进行预测，得到每个电池当前时刻的预测电压，包括：
根据每个电池组中被预测电池和参考电池的第一预设时长的测量电压，分别使用每个电池的预测公式进行预测，得到每个电池当前时刻的预测电压。
本申请实施例中，为预测电池电压，将n设置为移动窗口的长度。在移动到新的采样时刻时，在窗口中添加一个采样获得的新数据，同时删除位于样本末尾的一个旧数据。在移动到新的采样时刻后，移动窗口中参考电池单体的第n个电压数据xn可由传感器测量，参考电池以及被预测电池的第1个到第n-1个电压数据已知。此时可根据被预测电池的预测公式预测被预测电池的第n个电压数据yn。选择参考电池单体为被预测电池单体的相邻单体。也就是说，通过移动窗口的滑动，可以预测所选电池单体的所有电压数据。
进一步地，在本申请实施例中，电池的残差的计算公式表示为：
e＝ypredict-ymeasure
其中，e为电池的残差，ypredict为电池的预测电压值，ymeasure为电池的测量电压值。
进一步地，在本申请实施例中，基于累积求和方法对每个电池的残差进行计算，得到每个电池的对数似然比的累积和，包括：
获取每个电池的无故障假设和内短路故障假设的对数似然比；
对对数似然比进行累积求和，得到每个电池的对数似然比的累积和；
其中，对数似然比表示为：
其中，s(e)为电池的对数似然比，e为电池的残差，pH1和pH0分别是内短路故障假设H1和无故障假设H0的概率密度函数；
对数似然比的累积和表示为：
其中，St为当前时刻电池的对数似然比的累积和，St-1为上一时刻电池的对数似然比的累积和，s(et)为当前时刻电池的对数似然比。
本申请实施例中，串联电池组无故障时，由于串联电池组具有良好的一致性，预测精度高，残差小。发生内短路故障时，串联电池组的一致性变差，预测精度变差，残差变大。因此，可以根据残差的变化来诊断内短路故障。由于电池状态较为多样，即使在正常电池中，残差也可能超过恒定阈值。因此，恒定阈值可能会导致错误的故障检测结果。
为了提高故障诊断的鲁棒性，采用基于统计推断的累积求和方法对残差进行评估。H0为无故障假设，H1为内短路故障假设。假设测量噪声符合高斯分布，则残差可视为服从高斯分布的随机变量。在无内短路故障的情况下，高斯分布的均值和方差分别用μ0和σ0表示；在内短路故障条件下，高斯分布的均值和方差分别用μ1和σ1表示。通过检测均值和方差的变化可以检测故障发生。两种假设的对数似然比s(e)表示如下：
其中，e为残差，pH1和pH0分别是H1和H0的概率密度函数。
由于pH1和pH0是高斯分布概率密度函数，两种假设的对数似然比s(e)可以写作：
假设内短路故障不会在短时间内消失，为对均值和方差的变化进行鲁棒检测，对对数似然比进行累积求和，计算如下：
其中，St是对数似然比的累积和，随着故障时间的增加而变大。当St≥J可检测到电池内短路故障。其中J为St的阈值，通过对无故障电池进行实验来校准。高斯分布的显著变化比数值变化对故障更敏感。因此，与基于恒定阈值的方法相比，累积求和方法可以更快地检测故障。
进一步地，在本申请实施例中，根据对数似然比的累积和，对电池进行故障诊断，包括：
当电池的对数似然比的累积和大于等于预设阈值时，判定电池存在内短路故障。
本申请实施例中，当电池i发生故障时，电池i和电池i-1之间的相关系数和电池i和电池i+1之间的相关系数会更差。因此，若电池i和电池i+1的残差异常，电池i将被定位为故障电池。
本申请提出一种基于电压预测的锂离子电池内短路故障诊断方法，根据串联连接电池组中电池电压之间的相关性，可以预测电池组中每个电池的端电压，用于生成与测量电压相比的残差，并采用累积和法计算残差，相比传统基于相关性分析的方法具有较高的灵敏度和鲁棒性。
本申请采用基于移动窗口的滤波器对数据进行处理，并在每个采样时刻，在窗口中添加一个采样获得的新数据，同时删除位于样本末尾的一个旧数据，可以解决电池储能系统所测量的电池数据的数据量很大带来的故障检测灵敏性降低的问题。本申请通过将相关系数设置为1，以将相关性评估问题转化为电压预测问题，，降低测量噪声带来的影响，提高了故障诊断的鲁棒性。本申请还包括将n设置为移动窗口的长度，通过移动窗口的滑动，选择参考电池单体为被预测电池单体的相邻单体，可以预测所选电池单体的所有电压数据。本申请采用基于统计推断的累积求和方法对残差进行评估。将残差视为服从高斯分布的随机变量。高斯分布的显著变化比数值变化对故障更敏感，与基于恒定阈值的方法相比，累积求和方法可以更快地检测故障，故障诊断的鲁棒性得以提高。
图2为本申请实施例的基于电压预测的锂离子电池内短路故障诊断方法的另一个流程示意图。
如图2所示，该基于电压预测的锂离子电池内短路故障诊断方法包括，采用基于移动窗口的滤波器对数据进行处理，获取测量数据，并通过将相关系数设置为1将相关性评估问题转化为电压预测问题，得到每个电池的预测公式；预测电池组串联电池单体电压；计算电池的预测电压和测量电压之间的残差；并采用累积求和法对残差进行分析计算后进行故障诊断，定位故障电池。
图3为本申请实施例二所提供的一种基于电压预测的锂离子电池内短路故障诊断装置的结构示意图。
如图3所示，该基于电压预测的锂离子电池内短路故障诊断装置，包括：
获取模块10，用于获取串联电池组中电池的第一预设时长的测量电压；
预测公式获取模块20，用于根据电池的电压之间的相关系数公式，得到每个电池的预测公式；
预测模块30，用于根据电池的第一预设时长的测量电压，分别使用预测公式进行预测，得到每个电池当前时刻的预测电压；
残差计算模块40，用于获取每个电池当前时刻的测量电压，并根据预测电压和测量电压计算得到每个电池的残差；
故障诊断模块50，用于基于累积求和方法对每个电池的残差进行计算，得到每个电池的对数似然比的累积和，并根据对数似然比的累积和，对电池进行故障诊断。
本申请实施例的基于电压预测的锂离子电池内短路故障诊断装置，包括获取模块，用于获取串联电池组中电池的第一预设时长的测量电压；预测公式获取模块，用于根据电池的电压之间的相关系数公式，得到每个电池的预测公式；预测模块，用于根据电池的第一预设时长的测量电压，分别使用预测公式进行预测，得到每个电池当前时刻的预测电压；残差计算模块，用于获取每个电池当前时刻的测量电压，并根据预测电压和测量电压计算得到每个电池的残差；故障诊断模块，用于基于累积求和方法对每个电池的残差进行计算，得到每个电池的对数似然比的累积和，并根据对数似然比的累积和，对电池进行故障诊断。由此，能够解决现有电池内短路故障诊断方法的电池等效模型精度难以保证、电池参数难获取，且故障诊断的敏感性较低，计算较为复杂的技术问题，通过计算预测电压与测量电压之间的残差，并对残差进行评估进行故障诊断，提高了故障监测的灵敏性、鲁棒性和可靠性，保证大型电池储能系统的安全运行。
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上述实施例的基于电压预测的锂离子电池内短路故障诊断方法。
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 (10)
1.一种基于电压预测的锂离子电池内短路故障诊断方法，其特征在于，包括以下步骤：
获取串联电池组中电池的第一预设时长的测量电压；
根据所述电池的电压之间的相关系数公式，得到每个电池的预测公式；
根据所述电池的第一预设时长的测量电压，分别使用所述预测公式进行预测，得到每个电池当前时刻的预测电压；
获取每个电池当前时刻的测量电压，并根据所述预测电压和所述测量电压计算得到每个电池的残差；
基于累积求和方法对所述每个电池的残差进行计算，得到每个电池的对数似然比的累积和，并根据所述对数似然比的累积和，对电池进行故障诊断。
2.如权利要求1所述的方法，其特征在于，所述根据所述电池的电压之间的相关系数公式，得到每个电池的预测公式，包括：
对串联电池组中的电池进行分组，得到多个电池组，其中，每个电池组包括一个被预测电池和一个参考电池；
根据每个电池组中被预测电池和参考电池的相关系数公式，得到每个电池的预测公式。
3.如权利要求2所述的方法，其特征在于，所述对串联电池组中的电池进行分组，得到多个电池组，包括：
将串联电池组中每一个电池与下一个电池分为一组，并且将最后一个电池与第一个电池分为一组，得到多个电池组，其中，每个电池存在于两个电池组中，每个电池为上一个电池组的被预测电池，同时为下一个电池组的参考电池。
4.如权利要求3所述的方法，其特征在于，所述根据每个电池组中被预测电池和参考电池的相关系数公式，得到每个电池的预测公式，包括：
通过将每个电池组中被预测电池和参考电池的相关系数公式中的相关系数设置为1，并对相关系数公式进行转换，得到每个电池的预测公式；
其中，所述被预测电池和参考电池的相关系数公式表示为：
其中，x为参考电池的电压数据，y为被预测电池的电压数据，r是参考电池的电压数据x和被预测电池的电压数据y的相关性系数，
和
分别是参考电池的电压数据x和被预测电池的电压数据y的平均值，n是参考电池的电压数据x和被预测电池的电压数据y的长度；
电池的预测公式表示为：
其中，xi为参考电池的第i个电压数据，yi为被预测电池的第i个电压数据，xn为参考电池的第n个电压数据，yn为被预测电池的第n个电压数据，n为参考电池的电压数据x和被预测电池的电压数据y的长度。
5.如权利要求4所述的方法，其特征在于，所述根据所述电池的第一预设时长的测量电压，分别使用所述预测公式进行预测，得到每个电池当前时刻的预测电压，包括：
根据每个电池组中被预测电池和参考电池的第一预设时长的测量电压，分别使用每个电池的预测公式进行预测，得到每个电池当前时刻的预测电压。
6.如权利要求5所述的方法，其特征在于，所述电池的残差的计算公式表示为：
e＝ypredict-ymeasure
其中，e为电池的残差，ypredict为电池的预测电压值，ymeasure为电池的测量电压值。
7.如权利要求6所述的方法，其特征在于，所述基于累积求和方法对所述每个电池的残差进行计算，得到每个电池的对数似然比的累积和，包括：
获取每个电池的无故障假设和内短路故障假设的对数似然比；
对所述对数似然比进行累积求和，得到每个电池的对数似然比的累积和；
其中，所述对数似然比表示为：
其中，s(e)为电池的对数似然比，e为电池的残差，pH1和pH0分别是内短路故障假设H1和无故障假设H0的概率密度函数；
所述对数似然比的累积和表示为：
其中，St为当前时刻电池的对数似然比的累积和，St-1为上一时刻电池的对数似然比的累积和，s(et)为当前时刻电池的对数似然比。
8.如权利要求7所述的方法，其特征在于，所述根据所述对数似然比的累积和，对电池进行故障诊断，包括：
当电池的对数似然比的累积和大于等于预设阈值时，判定电池存在内短路故障。
9.一种基于电压预测的锂离子电池内短路故障诊断装置，其特征在于，包括：
获取模块，用于获取串联电池组中电池的第一预设时长的测量电压；
预测公式获取模块，用于根据所述电池的电压之间的相关系数公式，得到每个电池的预测公式；
预测模块，用于根据所述电池的第一预设时长的测量电压，分别使用所述预测公式进行预测，得到每个电池当前时刻的预测电压；
残差计算模块，用于获取每个电池当前时刻的测量电压，并根据所述预测电压和所述测量电压计算得到每个电池的残差；
故障诊断模块，用于基于累积求和方法对所述每个电池的残差进行计算，得到每个电池的对数似然比的累积和，并根据所述对数似然比的累积和，对电池进行故障诊断。
10.一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1-8中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310035129.5A CN116184229A (zh) | 2023-01-10 | 2023-01-10 | 基于电压预测的锂离子电池内短路故障诊断方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310035129.5A CN116184229A (zh) | 2023-01-10 | 2023-01-10 | 基于电压预测的锂离子电池内短路故障诊断方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116184229A true CN116184229A (zh) | 2023-05-30 |
Family
ID=86433789
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310035129.5A Pending CN116184229A (zh) | 2023-01-10 | 2023-01-10 | 基于电压预测的锂离子电池内短路故障诊断方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116184229A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117074986A (zh) * | 2023-09-05 | 2023-11-17 | 中国华能集团清洁能源技术研究院有限公司 | 电池故障检测方法、装置、电子设备及存储介质 |
-
2023
- 2023-01-10 CN CN202310035129.5A patent/CN116184229A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117074986A (zh) * | 2023-09-05 | 2023-11-17 | 中国华能集团清洁能源技术研究院有限公司 | 电池故障检测方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109765490B (zh) | 一种基于高维数据诊断的动力电池故障检测方法及系统 | |
| CN114430080A (zh) | 一种基于运行数据的动力电池电芯异常自放电的识别方法 | |
| CN111551860A (zh) | 一种基于弛豫电压特征的电池内短路诊断方法 | |
| CN114035086B (zh) | 基于信号处理的电池组多故障诊断方法 | |
| CN116184229A (zh) | 基于电压预测的锂离子电池内短路故障诊断方法和装置 | |
| CN114814593B (zh) | 一种两步检测策略的电池组多故障快速诊断方法 | |
| CN117805649A (zh) | 基于soh量化电池容量衰减对异常电芯进行识别的方法 | |
| CN116203490A (zh) | 传感器故障诊断方法、装置、设备及存储介质 | |
| CN113866641A (zh) | 一种锂离子电池的故障检测方法及装置 | |
| CN115097319A (zh) | 一种动力电池组故障在线诊断方法及系统 | |
| CN116203450A (zh) | 电池短路故障的检测方法、装置、电子设备及存储介质 | |
| CN116400231B (zh) | 储能系统的电池多故障检测方法、装置及电子设备 | |
| CN117783872A (zh) | 动力电池的数据异常检测方法、装置、服务器及存储介质 | |
| CN113391214A (zh) | 一种基于电池充电电压排名变化的电池微故障诊断方法 | |
| CN116930764A (zh) | 融合电力电子的锂电池储能系统故障诊断和危险预测方法 | |
| CN116820821A (zh) | 磁盘故障检测方法、装置、电子设备及计算机可读存储介质 | |
| CN114818881B (zh) | 一种车载动力电池组电压传感器故障检测与定位方法 | |
| CN115327438A (zh) | 一种储能电池组短路故障诊断方法、电池管理方法及系统 | |
| US20180238969A1 (en) | Method for detecting power fade level of battery | |
| CN111948544B (zh) | 一种动力电池组连接故障的检测方法及系统 | |
| CN113269266A (zh) | 多故障模式下基于知识蒸馏的晶圆制造过程故障检测方法 | |
| CN112540301A (zh) | 电池检测方法、装置及存储介质 | |
| CN117648612B (zh) | 并联电池组故障检测方法、装置、电子设备和存储介质 | |
| CN117907845B (zh) | 基于电参数分析的电化学储能系统绝缘检测方法 | |
| CN116482560B (zh) | 电池故障检测方法、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 |