CN116298922A - 电池故障检测方法、装置、电子设备及存储介质 - Google Patents
电池故障检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116298922A CN116298922A CN202310323651.3A CN202310323651A CN116298922A CN 116298922 A CN116298922 A CN 116298922A CN 202310323651 A CN202310323651 A CN 202310323651A CN 116298922 A CN116298922 A CN 116298922A
- Authority
- CN
- China
- Prior art keywords
- voltage characteristic
- voltage
- detected
- battery
- characteristic
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 55
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000004590 computer program Methods 0.000 claims description 13
- 208000032953 Device battery issue Diseases 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 210000004027 cell Anatomy 0.000 description 17
- 230000006870 function Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 210000002569 neuron Anatomy 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 239000013598 vector Substances 0.000 description 6
- 239000000284 extract Substances 0.000 description 5
- 238000003491 array Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000004146 energy storage Methods 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000012983 electrochemical energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009466 transformation Effects 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]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- 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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本公开提出一种电池故障检测方法、装置、电子设备及存储介质,涉及电池故障检测技术领域。该方法包括:获取待检测单体电池的初始电压数据,并对初始电压数据进行小波包分解处理,以获取待检测电池的高频电压子序列和低频电压子序列,再从高频电压子序列中提取得到第一电压特征,并从低频电压子序列中提取得到第二电压特征,其中,第一电压特征用于描述待检测单体电池的故障信息,第二电压特征用于描述待检测单体电池的不一致性信息,并根据第一电压特征和第二电压特征,确定待检测单体电池是否发生故障,由此,可以消除电池不一致性对电池故障检测带来的影响,进而能够有效地提升单体电池故障检测的准确性。
Description
技术领域
本公开涉及电池故障检测技术领域,尤其涉及一种电池故障检测方法、装置、电子设备及存储介质。
背景技术
电化学储能目前已被广泛应用于储能领域,然而电池的安全问题给电池储能技术的发展带来了严峻挑战,目前已有大量关于电池故障检测方法,例如模型法、数据驱动法等。然而,目前的电池故障检测方法大多是人工提取电池的时域特征参数,而电池不一致性会影响电池故障检测的准确性。
发明内容
本公开旨在至少在一定程度上解决相关技术中的技术问题之一。
本公开第一方面实施例提出了一种电池故障检测方法,包括:
获取待检测单体电池的初始电压数据;
对初始电压数据进行小波包分解处理,以获取待检测电池的高频电压子序列和低频电压子序列;
从高频电压子序列中提取得到第一电压特征,并从低频电压子序列中提取得到第二电压特征,其中,第一电压特征用于描述待检测单体电池的故障信息,第二电压特征用于描述待检测单体电池的不一致性信息;
根据第一电压特征和第二电压特征,确定待检测单体电池是否发生故障。
本公开第二方面实施例提出了一种电池故障检测装置,包括:
获取模块,用于获取待检测单体电池的初始电压数据;
分解模块,用于对初始电压数据进行小波包分解处理,以获取待检测电池的高频电压子序列和低频电压子序列;
提取模块,用于从高频电压子序列中提取得到第一电压特征,并从低频电压子序列中提取得到第二电压特征,其中,第一电压特征用于描述待检测单体电池的故障信息,第二电压特征用于描述待检测单体电池的不一致性信息;
确定模块,用于根据第一电压特征和第二电压特征,确定待检测单体电池是否发生故障。
本公开第三方面实施例提出了一种电子设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时,实现如本公开第一方面实施例提出的电池故障检测方法。
本公开第四方面实施例提出了一种计算机可读存储介质,存储有计算机程序,计算机程序被处理器执行时,实现如本公开第一方面实施例提出的电池故障检测方法。
本公开第五方面实施例提出了一种计算机程序产品,包括计算机程序,计算机程序在被处理器执行时,实现如本公开第一方面实施例提出的电池故障检测方法。
本公开提供的电池故障检测方法、装置、电子设备及存储介质,存在如下有益效果:
本公开实施例中,通过获取待检测单体电池的初始电压数据,并对初始电压数据进行小波包分解处理,以获取待检测电池的高频电压子序列和低频电压子序列,再从高频电压子序列中提取得到第一电压特征,并从低频电压子序列中提取得到第二电压特征,其中,第一电压特征用于描述待检测单体电池的故障信息,第二电压特征用于描述待检测单体电池的不一致性信息,并根据第一电压特征和第二电压特征,确定待检测单体电池是否发生故障,由此,可以消除电池不一致性对电池故障检测带来的影响,进而能够有效地提升单体电池故障检测的准确性。
本公开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,或通过本公开的实践了解到。
附图说明
本公开上述的和/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为本公开一实施例所提供的电池故障检测方法的流程示意图;
图2为本公开实施例所提供的小波包分解的节点分布示意图;
图3为本公开实施例所提供的稀疏自编码器的结构示意图;
图4为本公开一实施例所提供的电池故障检测方法的流程示意图;
图5为本公开实施例所提供的电池故障检测装置的结构示意图;
图6示出了适于用来实现本公开实施方式的示例性电子设备的框图。
具体实施方式
下面详细描述本公开的实施例,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,旨在用于解释本公开,而不能理解为对本公开的限制。
下面参考附图描述本公开实施例的电池故障检测方法、装置、电子设备和存储介质。
本公开实施例以该电池故障检测方法被配置于电池故障检测装置中来举例说明,该电池故障检测装置可以应用于任一电子设备中,以使该电子设备可以执行电池故障检测功能。
其中,电子设备可以为个人电脑(Personal Computer,简称PC)、云端设备、移动设备等,移动设备例如可以为手机、平板电脑、个人数字助理等具有各种操作系统、触摸屏和/或显示屏的硬件设备。
图1为本公开实施例所提供的电池故障检测方法的流程示意图。
如图1所示,该电池故障检测方法可以包括以下步骤:
步骤101,获取待检测单体电池的初始电压数据。
其中,电池组可以是由多个串联的单体电池组成的电池组。比如,100个单体电池串联组成的电池组,50个单体电池串联组成的电池组,多个单体电池中任一当前待对其进行故障检测的单体电池,即可以被称为待检测单体电池。
其中,待检测单体电池的初始电压数据可以是待检测单体电池的在运行过程中的电压信号,对此不做限制。
步骤102,对初始电压数据进行小波包分解处理,以获取待检测电池的高频电压子序列和低频电压子序列。
本公开实施例在获取待检测单体电池的初始电压数据之后,可以采取小波包分解(Wavelet Packet Decomposition,WPD)处理的方法处理初始电压数据,小波包分解处理能够以更精细的多级方式划分信号的频带,不仅可以将初始电压数据的低频分量分解为多个低频电压子序列,还将初始电压数据的高频分量分解为多个高频电压子序列。
WPD是将一个节点分解为两个节点,然后将分解后的节点分别分解为两节点,即通过树形图对整个初始电压数据的频带进行分解,从而获得几个不同的子频带。
其中,和/>和/>是所有小波包的系数,h2l-k为用于分解的低通波器系数g2l-k为用于分解的高通滤波器系数,hl-2k为用于小波包重建的低通滤波器系数,gl-2k为用于小波包重建高通滤波器系数,j和n是小波包节点的数量,l和k是分解层的数量。
小波包分解层数通常在2到4之间,如果分解层数为1,则分解后的节点数为21。如图2所示,图2为本公开实施例所提供的小波包分解的节点分布示意图,本文使用了四层小波包分解,第四层中有16个节点。
其中,不同频带的每个电压子序列包含初始电压数据中的不同隐含信息。由与电池不一致性所引起的电压偏差往往随着电池使用时间的增加而逐渐变大,具有渐进性,呈现缓慢的电压变化趋势。所以初始电压数据的低频分量部分是初始电压数据的主要部分,可以反映待检测单体电池电压的总体趋势,因此,可以更好地反映电池的不一致信息。相反,由电池故障引起的电压偏差通常是突然的,与电池组中的其他单体电池相比,故障单体电池的电压异常表征为快速变化的偏差。初始电压数据的高频分量部分包含有初始电压数据的细微差异信息,可以反映待检测单体电池的电压动态细节信息,因此使用初始电压数据的高频分量部分可以有效地识别待检测单体电池的故障信息。
然而,由于储能电池系统工作过程中受到各种因素干扰,初始电压数据的高频分量部分往往穿插着噪声信息。为了有效去除初始电压数据的高频分量部分的噪声并保留高频分量的有用信息,本公开使用基于WPD的能量降噪方法来处理初始电压数据的高频分量部分。主要步骤如下:
(1)首先计算每个高频子序列中包含的能量Ej。计算公式描述为:
其中,dj,k是小波包重构系数,j是小波包节点的数量,l是分解层的数量。
(2)去除低能量的高频电压子序列。
为了判断包含更多噪声信息的高频电压子序列,引入信噪比评价指标进行判断。信噪比值越大,降噪效果越好。信噪比是降噪前信号与噪声值的比值。其定义为:
其中,f是初始电压数据,ρf是降噪后的电压数据。
步骤103,从高频电压子序列中提取得到第一电压特征,并从低频电压子序列中提取得到第二电压特征。
其中,第一电压特征用于描述待检测单体电池的故障信息,第二电压特征用于描述待检测单体电池的不一致性信息。
也即是说,本公开实施例在对初始电压数据进行小波包分解处理,以获取待检测电池的高频电压子序列和低频电压子序列之后,可以从高频电压子序列中提取得到第一电压特征,并从低频电压子序列中提取得到第二电压特征。
可选地,一些实施例中,从高频电压子序列中提取得到第一电压特征,可以是将高频电压子序列输入至预训练的稀疏自编码器中,以得到第一电压特征。
本公开实施例中,通过提取能够对待检测单体电池的故障信息进行清晰表征的第一电压特征,有助于提高电池故障诊断的准确性,稀疏自编码器(Sparse Auto Encoder,SAE)被用于从待检测电池的高频电压子序列中提取能够反映电池故障的第一电压特征。
SAE是一种无监督的机器学习算法,可用于压缩输入数据信息并自动提取可反映输入数据的深度特征。SAE的结构如图3所示,图3为本公开实施例所提供的稀疏自编码器的结构示意图,它是由输入层、隐藏层和输出层组成的三层神经网络结构。它的网络可以看作是由两部分组成:一个编码器和一个解码器。
SAE从输入层提取信息并将其转换为特征。假设样本X=[x1,x2,…,xi,…,xm]是SAE的输入。编码函数用于将每个样本xi转换为隐藏层中的向量hw,b(x),描述如下式所示:
hw,b(x)=s(Wxi+b);
其中,s是网络激励函数,W是输入层和隐藏层的权重,b是编码器网络的偏置项系数。
解码器执行特征的逆重建。如果解码器的输出数据接近编码器的输入数据,则意味着隐藏层中的向量hw,b(x)表示样本的基本信息。因此,隐藏层的向量表示可以反映输入数据的特征参数。为了实现自动编码器的稀疏表示并防止特征学习过程转化为恒定变换,对隐藏层神经元施加稀疏性约束,即,使用表达式向优化目标函数添加附加惩罚因子,目标函数如下式所示:
其中,s2是隐藏层中隐藏神经元的数量,索引j依次表示隐藏层中的每个神经元,是整个数据集上第j个隐藏神经元的平均激活,p是预定义的平均激活目标,通常接近于0。当/>与p显著不同时,惩罚因子将使/>接近p,从而保持隐藏神经元的平均活性较小。
添加惩罚因子后,相应的优化目标函数更新为:
其中,x′i是对应于输入xi的输出向量,Jsparse(θ)是稀疏惩罚项,定义如下式所示:
其中,β是稀疏性惩罚因子的权重。
通过对隐藏层中的神经元施加稀疏性限制,可以有效地缩小输入数据,从而允许自动编码器学习样本中的重要特征,并提取可以反映输入数据的高度敏感特征。
可选地,一些实施例中,从低频电压子序列中提取得到第二电压特征,可以是对低频电压子序列进行奇异值分解处理,以得到第二电压特征。
本公开实施例中,通过提取能够对待检测单体电池的不一致性信息进行清晰表征的第二电压特征,有助于提高电池故障诊断的准确性,奇异值分解(Singular ValueDecomposition,SVD)被用于从待检测电池的低频电压子序列中提取能够反映电池不一致性的第二电压特征。
其中,SVD广泛应用于机器学习和信号处理等技术领域中。SVD最重要的目的是提取矩阵的重要特征,它充分反映了矩阵中包含的信息。
本公开实施例中,通过对低频电压子序列进行SVD,假设由每个单元的低频电压子序列的小波包系数组成的系数矩阵A被定义为:
其中,m是低频子带的数量,n是信号采样点的数量。对系数矩阵A执行SVD。分解采用以下形式:
A=U∑VT;
其中,U是m×m的方阵,U中的向量是正交的,通常称为左奇异向量;VT为n×n的矩阵,通常称为右奇异矩阵;∑是一个m×n对角矩阵,对角线上的元素称为奇异值,奇异值按从大到小的顺序排列。SVD提取的低频电压子序列的奇异值减少了冗余信息的干扰,保留了其重要信息。当待检测单体电池的电压由于不一致而发生偏离时,与电压偏离相比,奇异值的偏离更明显。因此,本公开实施例中将对低频电压子序列进行SVD所得的奇异值作为反映检测单体电池的不一致性的第二电压特征。
步骤104,根据第一电压特征和第二电压特征,确定待检测单体电池是否发生故障。
本公开实施例在从高频电压子序列中提取得到第一电压特征,并从低频电压子序列中提取得到第二电压特征之后,可以根据第一电压特征和第二电压特征,确定待检测单体电池是否发生故障。
一些实施例中,根据第一电压特征和第二电压特征,确定待检测单体电池是否发生故障,可以是将第一电压特征和第二电压特征一并输入至预训练的故障检测模型之中,由故障检测模型对第一电压特征和第二电压特征进行处理,以确定待检测单体电池是否发生故障,对此不做限制。
本公开实施例中,通过获取待检测单体电池的初始电压数据,并对初始电压数据进行小波包分解处理,以获取待检测电池的高频电压子序列和低频电压子序列,再从高频电压子序列中提取得到第一电压特征,并从低频电压子序列中提取得到第二电压特征,其中,第一电压特征用于描述待检测单体电池的故障信息,第二电压特征用于描述待检测单体电池的不一致性信息,并根据第一电压特征和第二电压特征,确定待检测单体电池是否发生故障,由此,可以消除电池不一致性对电池故障检测带来的影响,进而能够有效地提升单体电池故障检测的准确性。
图4为本公开一实施例所提供的电池故障检测方法的流程示意图,如图4所示,该电池故障检测方法可以包括以下步骤:
步骤401,获取待检测单体电池的初始电压数据。
步骤402,对初始电压数据进行小波包分解处理,以获取待检测电池的高频电压子序列和低频电压子序列。
步骤403,从高频电压子序列中提取得到第一电压特征,并从低频电压子序列中提取得到第二电压特征,其中,第一电压特征用于描述待检测单体电池的故障信息,第二电压特征用于描述待检测单体电池的不一致性信息。
步骤401-步骤403的描述说明具体可以参见上述实施例,在此不再赘述。
步骤404,确定电池组的第一参考电压特征和第二参考电压特征。
其中,电池组可以是由多个串联的单体电池组成的电池组。比如,100个单体电池串联组成的电池组,50个单体电池串联组成的电池组,电池组中每个单体电池的第一电压特征的平均特征即可以被称为第一参考电压特征,电池组中每个单体电池的第二电压特征的平均特征即可以被称为第二参考电压特征。
步骤405,根据第一参考电压特征,第二参考电压特征,第一电压特征以及第二电压特征,确定待检测单体电池是否发生故障。
本公开实施例在从高频电压子序列中提取得到第一电压特征,并从低频电压子序列中提取得到第二电压特征,并确定电池组的第一参考电压特征和第二参考电压特征之后,可以根据第一参考电压特征,第二参考电压特征,第一电压特征以及第二电压特征,确定待检测单体电池是否发生故障。
一些实施例中,根据第一参考电压特征,第二参考电压特征,第一电压特征以及第二电压特征,确定待检测单体电池是否发生故障,可以是分别确定第一参考电压特征和第一电压特征之间的第一相似度值,第二参考电压特征和第二电压特征之间的第二相似度值,并在第一相似度值大于第一相似度阈值,且第二相似度值大于第二相似度阈值时,确定待检测单体电池未发生故障。
可选地,一些实施例中,根据第一参考电压特征,第二参考电压特征,第一电压特征以及第二电压特征,确定待检测单体电池是否发生故障,可以是根据第一电压特征和第二电压特征,构建待检测单体电池的待检测特征曲线,并根据第一参考电压特征和第二参考电压特征,构建电池组的参考特征曲线,再确定待检测特征曲线和参考特征曲线之间的离散弗雷歇距离,以及根据离散弗雷歇距离,确定待检测单体电池是否发生故障。
本公开实施例中,第一电压特征和第二电压特征的数量均为多个,第一电压特征和第一参考电压特征的数量相同,第二电压特征和第二参考电压特征的数量相同,可以是由,第一电压特征和第二电压特征组成特征集合为σ(P)=(u1,u2,......,up)(其中,σ(P)中的元素由第一电压特征和第二电压特征交叉构成),由第一参考电压特征和第二参考电压特征组成特征集合为σ(Q)=(v1,v2,......,vq)(其中,σ(Q)中的元素由第一参考电压特征和第二参考电压特征交叉构成)。
本公开实施例在确定特征集合σ(P)和σ(Q)之后,可以根据特征集合σ(P)构建待检测单体电池的待检测特征曲线P,并根据特征集合σ(Q)构建电池组的参考特征曲线Q,曲线P和曲线Q上任意两点之间的距离定义为:
||L(P,Q)||=maxi=1,...,mdist(uai,vai);
其中,dist(uai,vai)是曲线P和曲线Q中对应两点之间的欧几里得距离,||L(P,Q)||是曲线P和曲线Q之间对应两点的欧几里得距离的最大值。
其中,待检测特征曲线和参考特征曲线之间的离散弗雷歇距离的确定公式如下式所示:
dF(Pi,Q)=min||L(P,Q)||;
本公开实施例中,如果待检测特征曲线和参考特征曲线之间的离散弗雷歇距离越大,则表明待检测特征曲线和参考特征曲线之间的相似性越小,待检测单体电池故障的可能性越大。因此,通过比较待检测单体电池和电池组的特征曲线之间的离散弗雷歇距离,可以准确地确定待检测单体电池是否发生故障。
一些实施例中,根据离散弗雷歇距离,确定待检测单体电池是否发生故障,可以是将待检测特征曲线和参考特征曲线之间的离散弗雷歇距离与离散弗雷歇距离阈值进行比对,并在比对结果满足预设条件时,确定待检测单体电池发生故障,对此不做限制。
可选地,一些实施例中,根据离散弗雷歇距离,确定待检测单体电池是否发生故障,可以是确定与离散弗雷歇距离对应的距离偏差值,并确定与距离偏差值对应的距离偏差阈值,并在距离偏差值大于距离偏差阈值时,确定待检测单体电池发生故障,在距离偏差值小于或等于距离偏差阈值时,确定待检测单体电池未发生故障。
本公开实施例中,电池在放电过程中,由于工况等因素的不可避免的影响,电池电压偶尔会剧烈波动,这又导致电池曲线相似性的波动。因此,为了避免由于电压波动引起的检测错误警报,需要自适应地识别所获得的待检测特征曲线和参考特征曲线之间的离散弗雷歇距离。
其中,肖维勒准则不受数据量的限制,在使用过程中不需要对数据进行排序和迭代计算,识别速度更快。因此,为了待检测特征曲线和参考特征曲线之间的离散弗雷歇距离是否在正常范围内,可以采用一种基于肖维勒准则的离群值滤波器。肖维勒准则假定离散弗雷歇距离∈[x1,x2,......,xn]服从总体N(μ,σ2)的正态分布,并且N是样本点的数量。平均值μ和标准偏差σ可以描述为:
当获得平均值和标准偏差时,对样本xi进行标准化,以获得样本xi的距离偏差值Taui:
在获得所有样本的距离偏差值Tau后,将其与距离偏差阈值chauv进行比较,并从正态分布逆函数函数中获得chauv的值,定义为:
chauv=norminv(1-1/6/n,μ,σ);
其中,chauv值基于统计理论,仅与样本数量n和样本分布(μ和σ)有关。当样本xi的距离偏差值Taui大于距离偏差阈值chauv时,样本xi被视为异常值,即可以确定相应待检测单体电池发生故障。通过设计基于肖维勒准则的异常值过滤器,使用动态阈值实时执行检测,避免了设置固定阈值时引起的错误电池故障警报,从而可以有效地提升单体电池故障检测的准确性。
本公开实施例,通过获取待检测单体电池的初始电压数据,并对对初始电压数据进行小波包分解处理,以获取待检测电池的高频电压子序列和低频电压子序列,再从高频电压子序列中提取得到第一电压特征,并从低频电压子序列中提取得到第二电压特征,其中,第一电压特征用于描述待检测单体电池的故障信息,第二电压特征用于描述待检测单体电池的不一致性信息,再确定电池组的第一参考电压特征和第二参考电压特征,并根据第一参考电压特征,第二参考电压特征,第一电压特征以及第二电压特征,确定待检测单体电池是否发生故障,避免了设置固定阈值时引起的错误电池故障警报,从而可以有效地提升单体电池故障检测的准确性。
为了实现上述实施例,本公开还提出一种电池故障检测装置。
图5为本公开实施例所提供的电池故障检测装置的结构示意图。
如图5所示,该电池故障检测装置500可以包括:
获取模块501,用于获取待检测单体电池的初始电压数据;
分解模块502,用于对所述初始电压数据进行小波包分解处理,以获取所述待检测电池的高频电压子序列和低频电压子序列;
提取模块503,用于从所述高频电压子序列中提取得到第一电压特征,并从所述低频电压子序列中提取得到第二电压特征,其中,所述第一电压特征用于描述所述待检测单体电池的故障信息,所述第二电压特征用于描述所述待检测单体电池的不一致性信息;
确定模块504,用于根据所述第一电压特征和所述第二电压特征,确定所述待检测单体电池是否发生故障。
可选的,确定模块504,具体用于:
确定所述电池组的第一参考电压特征和第二参考电压特征;
根据所述第一参考电压特征,第二参考电压特征,所述第一电压特征以及所述第二电压特征,确定所述待检测单体电池是否发生故障。
可选的,确定模块504,具体用于:
根据所述第一电压特征和所述第二电压特征,构建所述待检测单体电池的待检测特征曲线;
根据所述第一参考电压特征和第二参考电压特征,构建所述电池组的参考特征曲线;
确定所述待检测特征曲线和所述参考特征曲线之间的离散弗雷歇距离;
根据所述离散弗雷歇距离,确定所述待检测单体电池是否发生故障。
可选的,确定模块504,还具体用于:
确定与所述离散弗雷歇距离对应的距离偏差值;
确定与所述距离偏差值对应的距离偏差阈值;
如果所述距离偏差值大于所述距离偏差阈值,则确定所述待检测单体电池发生故障;
如果所述距离偏差值小于或等于所述距离偏差阈值,则确定所述待检测单体电池未发生故障。
可选的,提取模块503,具体用于:
将所述高频电压子序列输入至预训练的稀疏自编码器中,以得到所述第一电压特征。
可选的,提取模块503,还具体用于:
对所述低频电压子序列进行奇异值分解处理,以得到所述第二电压特征。本公开实施例中的上述各模块的功能及具体实现原理,可参照上述各方法实施例,此处不再赘述。
本公开实施例的电池故障检测装置,首先获取待检测单体电池的初始电压数据,并对所述初始电压数据进行小波包分解处理,以获取所述待检测电池的高频电压子序列和低频电压子序列,再从所述高频电压子序列中提取得到第一电压特征,并从所述低频电压子序列中提取得到第二电压特征,其中,所述第一电压特征用于描述所述待检测单体电池的故障信息,所述第二电压特征用于描述所述待检测单体电池的不一致性信息,并根据所述第一电压特征和所述第二电压特征,确定所述待检测单体电池是否发生故障,由此,可以消除电池不一致性对电池故障检测带来的影响,进而能够有效地提升单体电池故障检测的准确性。
为了实现上述实施例,本公开还提出一种电子设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时,实现如本公开前述实施例提出的电池故障检测方法。
为了实现上述实施例,本公开还提出了一种计算机可读存储介质,存储有计算机程序,计算机程序被处理器执行时,实现如本公开前述实施例提出的电池故障检测方法。
为了实现上述实施例,本公开还提出了一种计算机程序产品,包括计算机程序,计算机程序在被处理器执行时,实现如本公开前述实施例提出的电池故障检测方法。
图6示出了适于用来实现本公开实施方式的示例性电子设备的框图。图6显示的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示,电子设备以通用计算设备的形式表现。电子设备的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture;以下简称:ISA)总线,微通道体系结构(Micro Channel Architecture;以下简称:MAC)总线,增强型ISA总线、视频电子标准协会(Video Electronics StandardsAssociation;以下简称:VESA)局域总线以及外围组件互连(Peripheral ComponentInterconnection;以下简称:PCI)总线。
电子设备典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(Random Access Memory;以下简称:RAM)30和/或高速缓存存储器32。电子设备可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图6未显示,通常称为“硬盘驱动器”)。尽管图6中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如:光盘只读存储器(Compact Disc Read Only Memory;以下简称:CD-ROM)、数字多功能只读光盘(Digital Video Disc Read Only Memory;以下简称:DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本公开各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42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。程序模块42通常执行本公开所描述的实施例中的功能和/或方法。
电子设备也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该电子设备交互的设备通信,和/或与使得该电子设备能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,电子设备还可以通过网络适配器20与一个或者多个网络(例如局域网(Local Area Network;以下简称:LAN),广域网(WideArea Network;以下简称:WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与电子设备的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现前述实施例中提及的方法。
本公开的技术方案,首先获取串联电池组中每个电池对应的初始电压序列,之后根据每个电池对应的初始电压序列,确定每相邻两个串联的电池之间的第一相关系数,获取每相邻两个电池在正常工作状态下对应的第二相关系数,进而根据每相邻两个串联的电池之间的第一相关系数及第二相关系数,确定每相邻两个电池对应的残差相关系数,最后根据每相邻两个电池对应的残差相关系数,确定串联电池组中的目标故障电池。由此,可以根据每相邻两个串联电池的第一相关系数,及在正常工作状态下的第二相关系数,确定故障电池,从而可以消除噪声及电池内部的不一致性对故障检测的影响,进而可以准确地确定出电池组中的目标故障电池。
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公开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。在本公开的描述中,“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,并且本公开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,这应被本公开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,本公开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,在本公开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公开的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本公开的限制,本领域的普通技术人员在本公开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)
1.一种电池故障检测方法,其特征在于,所述方法包括:
获取待检测单体电池的初始电压数据;
对所述初始电压数据进行小波包分解处理,以获取所述待检测电池的高频电压子序列和低频电压子序列;
从所述高频电压子序列中提取得到第一电压特征,并从所述低频电压子序列中提取得到第二电压特征,其中,所述第一电压特征用于描述所述待检测单体电池的故障信息,所述第二电压特征用于描述所述待检测单体电池的不一致性信息;
根据所述第一电压特征和所述第二电压特征,确定所述待检测单体电池是否发生故障。
2.如权利要求1所述的方法,其特征在于,多个所述待检测单体电池组成电池组;
其中,所述根据所述第一电压特征和所述第二电压特征,对所述待检测单体电池进行故障检测,包括:
确定所述电池组的第一参考电压特征和第二参考电压特征;
根据所述第一参考电压特征,第二参考电压特征,所述第一电压特征以及所述第二电压特征,确定所述待检测单体电池是否发生故障。
3.如权利要求2所述的方法,其特征在于,所述根据所述第一参考电压特征,第二参考电压特征,所述第一电压特征以及所述第二电压特征,确定所述待检测单体电池是否发生故障,包括:
根据所述第一电压特征和所述第二电压特征,构建所述待检测单体电池的待检测特征曲线;
根据所述第一参考电压特征和第二参考电压特征,构建所述电池组的参考特征曲线;
确定所述待检测特征曲线和所述参考特征曲线之间的离散弗雷歇距离;
根据所述离散弗雷歇距离,确定所述待检测单体电池是否发生故障。
4.如权利要求3所述的方法,其特征在于,所述根据所述离散弗雷歇距离,确定所述待检测单体电池是否发生故障,包括:
确定与所述离散弗雷歇距离对应的距离偏差值;
确定与所述距离偏差值对应的距离偏差阈值;
如果所述距离偏差值大于所述距离偏差阈值,则确定所述待检测单体电池发生故障;
如果所述距离偏差值小于或等于所述距离偏差阈值,则确定所述待检测单体电池未发生故障。
5.如权利要求1所述的方法,其特征在于,所述从所述高频电压子序列中提取得到第一电压特征,包括:
将所述高频电压子序列输入至预训练的稀疏自编码器中,以得到所述第一电压特征。
6.如权利要求1所述的方法,其特征在于,所述从所述低频电压子序列中提取得到第二电压特征,包括:
对所述低频电压子序列进行奇异值分解处理,以得到所述第二电压特征。
7.一种电池故障检测装置,其特征在于,包括:
获取模块,用于获取待检测单体电池的初始电压数据;
分解模块,用于对所述初始电压数据进行小波包分解处理,以获取所述待检测电池的高频电压子序列和低频电压子序列;
提取模块,用于从所述高频电压子序列中提取得到第一电压特征,并从所述低频电压子序列中提取得到第二电压特征,其中,所述第一电压特征用于描述所述待检测单体电池的故障信息,所述第二电压特征用于描述所述待检测单体电池的不一致性信息;
确定模块,用于根据所述第一电压特征和所述第二电压特征,确定所述待检测单体电池是否发生故障。
8.一种电子设备,其特征在于,包括存储器、处理器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程序时,实现如权利要求1-6中任一所述的电池故障检测方法。
9.一种计算机可读存储介质,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1-6中任一所述的电池故障检测方法。
10.一种计算机程序产品,其特征在于,包括计算机程序,所述计算机程序在被处理器执行时实现如权利要求1-6中任一项所述的电池故障检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310323651.3A CN116298922A (zh) | 2023-03-29 | 2023-03-29 | 电池故障检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310323651.3A CN116298922A (zh) | 2023-03-29 | 2023-03-29 | 电池故障检测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116298922A true CN116298922A (zh) | 2023-06-23 |
Family
ID=86828619
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310323651.3A Pending CN116298922A (zh) | 2023-03-29 | 2023-03-29 | 电池故障检测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116298922A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116819378A (zh) * | 2023-08-29 | 2023-09-29 | 中国华能集团清洁能源技术研究院有限公司 | 储能电池异常检测方法及装置 |
CN117152024A (zh) * | 2023-10-30 | 2023-12-01 | 中国科学院长春光学精密机械与物理研究所 | 多级图像分解与多项稀疏约束表示的条纹噪声去除方法 |
CN117630679A (zh) * | 2023-11-30 | 2024-03-01 | 湖北工业大学 | 一种电池故障诊断方法和系统 |
CN117630679B (zh) * | 2023-11-30 | 2024-06-07 | 湖北工业大学 | 一种电池故障诊断方法和系统 |
-
2023
- 2023-03-29 CN CN202310323651.3A patent/CN116298922A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116819378A (zh) * | 2023-08-29 | 2023-09-29 | 中国华能集团清洁能源技术研究院有限公司 | 储能电池异常检测方法及装置 |
CN116819378B (zh) * | 2023-08-29 | 2023-12-26 | 中国华能集团清洁能源技术研究院有限公司 | 储能电池异常检测方法及装置 |
CN117152024A (zh) * | 2023-10-30 | 2023-12-01 | 中国科学院长春光学精密机械与物理研究所 | 多级图像分解与多项稀疏约束表示的条纹噪声去除方法 |
CN117152024B (zh) * | 2023-10-30 | 2024-01-16 | 中国科学院长春光学精密机械与物理研究所 | 多级图像分解与多项稀疏约束表示的条纹噪声去除方法 |
CN117630679A (zh) * | 2023-11-30 | 2024-03-01 | 湖北工业大学 | 一种电池故障诊断方法和系统 |
CN117630679B (zh) * | 2023-11-30 | 2024-06-07 | 湖北工业大学 | 一种电池故障诊断方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116298922A (zh) | 电池故障检测方法、装置、电子设备及存储介质 | |
US20220318635A1 (en) | Energy identification method for micro-energy device based on bp neural network | |
CN105224872B (zh) | 一种基于神经网络聚类的用户异常行为检测方法 | |
Casdagli | Recurrence plots revisited | |
CN113834656B (zh) | 一种轴承故障诊断方法、系统、设备及终端 | |
CN113344295B (zh) | 基于工业大数据的设备剩余寿命预测方法、系统及介质 | |
CN109147817B (zh) | 一种基于变异受限玻尔兹曼机的去噪音频特征提取方法 | |
CN110895705B (zh) | 异常样本检测装置及其训练装置和训练方法 | |
US20200395042A1 (en) | Learning device, voice activity detector, and method for detecting voice activity | |
CN115112372A (zh) | 轴承故障诊断方法、装置、电子设备及存储介质 | |
CN111043050A (zh) | 一种离心泵故障诊断方法及系统 | |
Zhang et al. | Testing independence between linear combinations for causal discovery | |
CN113807396A (zh) | 一种物联网高维数据异常检测方法、系统、装置及介质 | |
CN116304853A (zh) | 一种极限学习机与特征提取相结合的数据分类方法及系统 | |
CN109557434B (zh) | 基于复合字典稀疏表示分类的强背景噪声下局部放电信号识别方法 | |
Tong et al. | Automatic error correction for speaker embedding learning with noisy labels | |
CN111401440B (zh) | 目标分类识别方法、装置、计算机设备及存储介质 | |
CN115455142A (zh) | 文本检索方法、计算机设备和存储介质 | |
CN114841196A (zh) | 一种基于监督学习的机械设备智能故障检测方法及系统 | |
CN111508525B (zh) | 一种全参考音频质量评价方法及装置 | |
CN111291838B (zh) | 实体对象分类结果的解释方法和装置 | |
Sanati et al. | Information-theoretic analysis of Hierarchical Temporal Memory-Spatial Pooler algorithm with a new upper bound for the standard information bottleneck method | |
Niveditha et al. | Kernelized Deep Networks for Speech Signal Segmentation Using Clustering and Artificial Intelligence in Neural Networks | |
CN112884093B (zh) | 基于dscrn模型的旋转机械故障诊断方法、设备和存储介质 | |
Najaran | An evolutionary ensemble learning for diagnosing COVID-19 via cough signals |
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 |