CN116298947B - 一种蓄电池核容监测装置 - Google Patents
一种蓄电池核容监测装置 Download PDFInfo
- Publication number
- CN116298947B CN116298947B CN202310210373.0A CN202310210373A CN116298947B CN 116298947 B CN116298947 B CN 116298947B CN 202310210373 A CN202310210373 A CN 202310210373A CN 116298947 B CN116298947 B CN 116298947B
- Authority
- CN
- China
- Prior art keywords
- battery
- data
- time
- output
- layer
- 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
- 238000012806 monitoring device Methods 0.000 title claims abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 43
- 230000008569 process Effects 0.000 claims abstract description 30
- 230000005856 abnormality Effects 0.000 claims abstract description 29
- 230000004927 fusion Effects 0.000 claims abstract description 26
- 238000012360 testing method Methods 0.000 claims abstract description 24
- 238000004458 analytical method Methods 0.000 claims abstract description 16
- 230000000694 effects Effects 0.000 claims abstract description 7
- 238000012544 monitoring process Methods 0.000 claims abstract description 6
- 230000036962 time dependent Effects 0.000 claims abstract description 5
- 238000001514 detection method Methods 0.000 claims description 23
- 238000013210 evaluation model Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 9
- 238000007599 discharging Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 230000008034 disappearance Effects 0.000 claims description 5
- 238000012423 maintenance Methods 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 4
- 238000013480 data collection Methods 0.000 claims description 2
- 239000002253 acid Substances 0.000 description 19
- 210000004027 cell Anatomy 0.000 description 8
- 238000005070 sampling Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 101000908580 Homo sapiens Spliceosome RNA helicase DDX39B Proteins 0.000 description 3
- 102100024690 Spliceosome RNA helicase DDX39B Human genes 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000017525 heat dissipation Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000006386 memory function Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 101001068634 Homo sapiens Protein PRRC2A Proteins 0.000 description 1
- 206010033799 Paralysis Diseases 0.000 description 1
- 102100033954 Protein PRRC2A Human genes 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 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
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Secondary Cells (AREA)
Abstract
一种蓄电池核容监测装置，解决了现有核容测试过程中识别时间跨度较长的数据异常原因效果不好的问题，属于蓄电池组核容监测领域。本发明包括：电池数据采集终端采集蓄电池组中每节单体蓄电池的充放电数据及温度；分析模块控制电池数据采集终端采集数据，估计蓄电池组容量，当发生异常时，识别出异常原因；识别出异常原因的过程：N个时刻的数据经过输入层后，按照时间顺序分别输入至N个LSTM单元，每个LSTM单元的输出经过输出层输出至特征融合层，特征融合层融合后输入至预测层，获得预测结果；LSTM单元的t时刻的输出ht为：中间变量 表示t‑N时刻到t时刻的随时间变化的相关性输出。
Description
技术领域
本发明涉及一种蓄电池核容监测装置，属于蓄电池组核容监测领域。
背景技术
蓄电池组是发电站、变电站直流系统、电力通信电源的后备电源，其可靠性极其重要。当充电装置出现交流失电或者故障等情况停止工作，蓄电池将成为供电系统中唯一电源供给。此时蓄电池组出现问题，将导致供电系统失电，进而面临瘫痪，引发重大运行事故。
经研究，当前判断蓄电池性能最准确、最权威的方法就是对蓄电池进行核对性放电测试。电力通信电源的蓄电池容量一般在100～2000Ah，所以需要定期进行充放电核容测试，目前采用电热式放电法，现场使用电炉丝作模拟负载对蓄电池进行放电，将电能转换成热能释放，采用风机强制散热，这种放电方式简单、廉价，但存在以下的问题：电炉丝的散热缩短通信设备寿命并造成电能浪费，放电电流不恒定造成测量偏差，现场维护耗时耗力。若采用控制系统和核容仪进行监测数据，还需要利用监测到的数据确定蓄电池组的健康状况，需要及时发现蓄电池组中有隐患的单体电池，现有方法会采用收集到的导致蓄电池性能不好的历史数据输入至神经网络模型进行识别，确定蓄电池组的健康状况，例如RNN神经网络，RNN神经网络的神经元在传统神经元的基础上在其内部增加了循环结构，可将上一时刻隐含层的输出数据和当前时刻系统的输入数据结合起来共同形成新的输入数据并传输到网络中进行计算，随着时间的递进逐步将当前时刻神经元的信息与前面所有时刻神经元的信息相关联，从而实现同层神经元之间的相互连接；而且在计算的过程中每一层的权值也会在网络中持续传播，可在实现信息全局共享的基础上使得不同层之间也相互关联起来，使得网络具有强大的记忆功能，但是其应用在充放电核容测试过程中世界也存在一个问题，随着时间，核容测试过程中会产生大量序列，在监测时需要综合考虑这些数据，而RNN神经网络在面对核容测试过程中时间跨度较长的数据序列时，会产生梯度消失现象，导致网络失去继续学习的能力，进而识别效果不好。
发明内容
针对现有核容测试过程中识别时间跨度较长的数据异常原因效果不好的问题，本发明提供一种蓄电池核容监测装置。
本发明的一种蓄电池核容监测装置，包括电池数据采集终端和分析模块；
电池数据采集终端，用于采集蓄电池组中每节单体蓄电池的充放电数据及温度；
分析模块，与电池数据采集终端连接，用于控制电池数据采集终端采集数据，并根据采集到的每节单体蓄电池的充放电数据估计蓄电池组容量，并当发生异常时，识别出异常原因；
所述分析模块利用评估模型识别出异常原因，所述评估模型的输入为待测蓄电池充放电过程中连续N个时刻的电压、电流和温度的序列，输出为异常原因，N为正整数；所述评估模型包括输入层、隐含层、输出层、特征融合层和预测层，所述隐含层包括叠加的N个LSTM单元；
N个时刻的数据经过输入层进行预处理后，再按照时间顺序分别输入至N个LSTM单元，每个LSTM单元的输出经过输出层输出至特征融合层，特征融合层对N个输入进行特征融合，得到融合后的特征再输入至预测层，预测层输出预测结果；
输入为t-N时刻到t时刻的电压、电流和温度，所述LSTM单元的t时刻的输出ht为：
其中，中间变量ot表示输出门输出，ct表示细胞状态输出，/>表示t-N时刻到t时刻的随时间变化的相关性输出。
作为优选，
γ是表示超参数,为保留的比例；
相关性矩阵为ζ＝{1,ζ2,…,ζN},ζn＝ReLU(tanh(βζ12))，n＝2,…,N；
ζ12＝cosine(tanh(βDn-1Fn-1)(tanh(βDnFn))T,tanh(βDnFn)(tanh(βDn-1Fn-1))T)
其中，Dn和Dn-1表示相邻两个LSTM单元中的学习点，Fn和Fn-1是两个学习点的对应线性层参数，cosine表示求相似性，ReLU(·)表示激活函数；β是激活函数的控制超参数。
作为优选，特征融合层的输入为ht-N…ht,特征融合层在t时刻的输出Ft为：
各个时刻的特征整合为
Wa为可学习矩阵；
融合特征层中各个输入的分数为：rm＝Sigmoid(Ws(tanh(Whhm+WqQt+bt)+bz))；
Ws、Wh、Wq为可学习的超参数，bt和bz均为偏置项，Sigmoid(·)表示激活函数，特征融合层的隐藏状态量Hm＝(1+rm)hm；
特征融合层的输出为
作为优选，电池数据采集终端利用电池核容仪采集蓄电池组中每节单体蓄电池的充放电数据。
作为优选，电池核容仪的电流采样采用电流互感器形式。
作为优选，异常原因包括待测蓄电池电压低、容量异常和内阻大。
作为优选，分析模块还包括客户端，所述客户端用于控制电池数据采集终端的采集开始时间及采集结束时间，自动生成检测结果，检测结果包括蓄电池组截止电压、放电电流、测试时间、环境温度、放电容量比、预计蓄电池组备电时长、是否异常、异常原因和需要维修的蓄电池编号。
作为优选，所述客户端还用于以基站为单元记录检测期间响应数据，对采集到的基站电池数据进行分析呈现。本发明的有益效果，本发明利用LSTM单元构建评估模型，识别异常原因时，加入了t-N时刻到t时刻的随时间变化的相关性关系，弥补了核容测试过程中时间跨度较长的数据序列的梯度消失现象，提高识别效果。
附图说明
图1为本发明的原理示意图。
图2为本发明的LSTM单元的原理示意图；
图3为铅酸电池快速核容仪电源线连接示意图；
图4为铅酸电池快速核容仪电流数据采集示意图；
图5为铅酸电池快速核容仪电压数据采集示意图；
图6为铅酸电池快速核容仪开机运行示意图。
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的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。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。
本实施方式的一种蓄电池核容监测装置，包括电池数据采集终端和分析模块；
电池数据采集终端，用于采集蓄电池组中每节单体蓄电池的充放电数据及温度；
分析模块，与电池数据采集终端连接，用于控制电池数据采集终端采集数据，并根据采集到的每节单体蓄电池的充放电数据估计蓄电池组容量，并当发生异常时，识别出异常原因；
所述分析模块利用评估模型识别出异常原因，所述评估模型的获取方法：
S1、获取蓄电池的充放电过程中电压、电流和温度的时间序列及对应的异常原因，构建训练集；
其中电池数据采集终端利用电池核容仪采集蓄电池组中每节单体蓄电池的充放电数据。
本实施方式中的电池核容仪为铅酸电池快速核容仪，如图3所示，ON/OFF表示铅酸电池快速核容仪启动开关，表示铅酸电池快速核容仪运行指示灯，/>表示铅酸电池快速核容仪故障指示灯，/>表示铅酸电池快速核容仪供电端子，/>表示铅酸电池快速核容仪供电端子，/>表示铅酸电池快速核容仪电流采样端子，/>表示铅酸电池快速核容仪电池采样端子；
性能参数为：精度等级：0.2％FS；监测电压范围：0-3V/2V，0-10V/6V，0-15V/12V；自动分档测量；输入阻抗：>100K；工作温度：-35℃～+60℃；数据更新时间：1min；电源：-48v；额定功耗：<10W；数据输出：24路电池电压、总电压、充放电电流数据；通讯波特率：4800、9600、19200bps；数据格式：奇校验、8个数据位、1个停止位。
蓄电池组与铅酸电池快速核容仪进行连接前，首先确认放电电池组是否为运行状态，电池组与开关电源和负载是否连接正常。以免在放电过程中发生意外。
如图4所示，铅酸电池快速核容仪电源线连接，首先连接电池核容测试仪电源线，电池核容测试仪采用直流-48V供电，黑色电缆大测试夹一端连接电池组负极，另一端快接插头连接电池核容测仪黑色快接插座。红色电缆大测试夹一端连接电池组正极，另一端快接插头连接到电池核容测试仪红色快接插座。注意连接可靠，不要有松动现象。快接接头与快接插座连接好后，需要顺时针方向旋转以防脱落，测试结束取下时逆时针旋转。铅酸电池快速核容仪电流采样采用电流互感器形势，都不用拆装电池组连线完成电池核容过程中的电池采样。如图5所示，铅酸电池快速核容仪电压数据采集：铅酸电池快速核容仪安装24只/2v电池采集电压数据采集时，首先确定电池组24只电池连接顺序，从电池组负极出发电池编号依次为BAT1、BAT2、......。铅酸电池快速核容仪电压采样端口与电池BAT1通过电池测试线连接到电池BAT1正极柱，......,/>电压采样端口与电池BAT23通过电池测试线连接到电池BAT23正极柱。如图6所示，确认以上三步完成，检查连线是否准确。无误打开开机键/>闪烁。调整开关电源输出电压参数使电池组处于放电状态。收集核容数据。如果连接错误或者主机故障/>常亮。
S2、利用训练集对评估模型进行训练，所述评估模型的输入为待测蓄电池充放电过程中连续N个时刻的电压、电流和温度的序列，输出为异常原因，N为正整数；所述评估模型包括输入层、隐含层、输出层、特征融合层和预测层，所述隐含层包括叠加的N个LSTM单元；
N个时刻的数据经过输入层进行预处理后，再按照时间顺序分别输入至N个LSTM单元，每个LSTM单元的输出经过输出层输出至特征融合层，特征融合层对N个输入进行特征融合，得到融合后的特征再输入至预测层，预测层输出预测结果；
输入为t-N时刻到t时刻的电压、电流和温度，所述LSTM单元的t时刻的输出ht为：
中间变量ot表示输出门输出，ct表示细胞状态输出，/>表示t-N时刻到t时刻的随时间变化的相关性输出；
S3、将待测蓄电池的充放电过程中连续N个时刻的电压、电流和温度输入到评估模型中，评估模型输出异常原因。
LSTM单元包括输入门、遗忘门和输出门，每个门通常由一个Sigmoid神经网络层和逐点乘积操作组成，可用来处理细胞状态中的各种信息。当sigmod输出为1时，所有信息可以通过；当sigmod输出为0时，任何信息都不能够通过。
输入门负责处理当前时刻输入数据中对网络计算有用的信息，并将其保存起来，以便后期计算时进行提取；遗忘门负责处理计算过程中不需要的历史信息，减少网络的计算量，增强网络的记忆功能；输出门决定网络的输出信息。it表示输入门的输出，tanh、σ表示激活函数；输入门、遗忘门和输出门的相互配合使得网络的权重始终处于动态变化状态，可保证在模型参数不变的条件下，不同时刻的积分尺度产生动态改变，从而有效解决RNN存在的梯度问题。同时，本实施方式的评估模型还考虑了相邻时刻的数据变化和相关性，加入了t-N时刻到t时刻的随时间变化的相关性关系，弥补了核容测试过程中时间跨度较长的数据序列的梯度消失现象，提高识别效果。
本实施方式中，给出t-N时刻到t时刻的随时间变化的相关性输出的形式：
γ是表示超参数,为保留的比例；
相关性矩阵为ζ＝{1,ζ2,…,ζN},ζn＝ReLU(tanh(βζ12))，n＝2,…,N；
ζ12＝cosine(tanh(βDn-1Fn-1)(tanh(βDnFn))T,tanh(βDnFn)(tanh(βDn-1Fn-1))T)
其中，Dn和Dn-1表示相邻两个LSTM单元中的学习点，Fn和Fn-1是两个学习点的对应线性层参数，cosine表示求相似性，ReLU(·)表示激活函数；β是激活函数的控制超参数。
每个时刻输出的数据为随时间变化而呈现的多样化的时间特征，本实施方式在每个LSTM单元中嵌入一个学习点，该学习点在各个LSTM单元中位置相同，设置学习点学习相邻时刻的数据变化和相关性，利用相关性矩阵来获得动态相关关系，弥补了核容测试过程中时间跨度较长的数据序列的梯度消失现象，提高识别效果。
本实施方式的特征融合层的输入为ht-N…ht,特征融合层在t时刻的输出Ft为：
各个时刻的特征整合为
Wa为可学习矩阵；
融合特征层中各个输入的分数为：rm＝Sigmoid(Ws(tanh(Whhm+WqQt+bt)+bz))；
Ws、Wh、Wq为可学习的超参数，bt和bz均为偏置项，Sigmoid(·)表示激活函数，特征融合层的隐藏状态量Hm＝(1+rm)hm；
特征融合层的输出为
预测层根据Ft确定属于各个异常原因的分数，根据分数最大的输出异常原因。
本实施方式的异常原因包括待测蓄电池电压低、容量异常和内阻大。
本实施方式的分析模块包括云端数据库和云端服务器，云端数据库具有数据存储功能：电池数据采集终端通过无线方式将每只电池放电过程动态监控数据存于云端数据库，以便于横向比较分析电池使用期间容量变化。云端服务器具有分析功能：通过采集电池单体放电过程动态数据估蓄电池组容量，生成电池组维修指导意见。通过基站负载与电池时间容量生成电池组续航能力报告，为电池整组调配提供数据依据。
本实施方式中分析模块还包括客户端，用于控制电池数据采集终端的采集开始时间及采集结束时间，自动生成检测结果，检测结果包括蓄电池组截止电压、放电电流、测试时间、环境温度、放电容量比、预计蓄电池组备电时长、是否异常、异常原因和需要维修的蓄电池编号。可采用手机APP监控软件实现。
本实施方式客户端还用于以基站为单元记录检测期间响应数据，对采集到的基站电池数据进行分析呈现。可采用PC机网页端实现。本实施可针对蓄电池组进行核对性放电实验、容量测试、电池组日常维护进行设计。采用无线通讯技术，可通过PC机网页端、手机APP监控软件可对蓄电池放电过程进行实时监测，监控每节电池的放电过程。为电池精准改造及单只维修提供相应依据，提升电池精准基本参数改造能力。
铅酸电池快速核容仪安装完成，设备正常运行。进行手机APP采集电池组核容数据。第一步、进入APP登录界面，填写登录账号，填写登录密码，进入软件。进入检测数据界面，填写基站基本信息、电池基本信息、采样时间，开始采集电池核容过程中实时数据。采集数据过程中采集时间到设置结束时间，手机端停止检测自动保存上传到服务器。当采集过程中电池组电压跌落到46.5V，手机端停止检测自动保存上传到服务器。采集过程中电池组电池单体出现3只单体同时小于1.8v，手机端停止检测自动保存上传到服务器。电池检测数据采集完成后将自动生成检测结果，通过点击“检测结果”选项卡查询。检测结果给出电池检测过程中的电池测试情况：蓄电池组截止电压、放电电流、测试时间、环境温度、放电容量比、预计蓄电池组备电时长、是否异常、异常原因和需要维修的蓄电池编号等基础分析数据。现场检测结束之后需要拍摄现场情况，拍摄现场施工照片。电池检测数据采集完成后将自动生成修复指导意见。本实施方式的手机APP还可以进行历史检测数据查询。
网页端数据查询分为三大选项：系统管理、基站管理、数据分析。系统管理为管理平台的用户权限。包括为新用户设立账号、密码、使用权限等。基站管理分为基站名称、基站ID经纬度数据管理，可以通过批量方法导入。基站检测记录以基站为单元记录检测期间响应数据，通常作为软件管理员使用数据。数据分析对采集到的基站电池数据进行分析呈现，所显示内容如手机APP端内容相同。
虽然在本文中参照了特定的实施方式来描述本发明，但是应该理解的是，这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是，可以对示例性的实施例进行许多修改，并且可以设计出其他的布置，只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是，可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是，结合单独实施例所描述的特征可以使用在其他所述实施例中。
Claims (7)
1.一种蓄电池核容监测装置，其特征在于，所述装置包括电池数据采集终端和分析模块；
电池数据采集终端，用于采集蓄电池组中每节单体蓄电池的充放电数据及温度；
分析模块，与电池数据采集终端连接，用于控制电池数据采集终端采集数据，并根据采集到的每节单体蓄电池的充放电数据估计蓄电池组容量，并当发生异常时，识别出异常原因；
所述分析模块利用评估模型识别出异常原因，所述评估模型的输入为待测蓄电池充放电过程中连续N个时刻的电压、电流和温度的序列，输出为异常原因，N为正整数；所述评估模型包括输入层、隐含层、输出层、特征融合层和预测层，所述隐含层包括叠加的N个LSTM单元；
N个时刻的数据经过输入层进行预处理后，再按照时间顺序分别输入至N个LSTM单元，每个LSTM单元的输出经过输出层输出至特征融合层，特征融合层对N个输入进行特征融合，得到融合后的特征再输入至预测层，预测层输出预测结果；
输入为t-N时刻到t时刻的电压、电流和温度，所述LSTM单元的t时刻的输出ht为：
其中，中间变量ot表示输出门输出，ct表示细胞状态输出，/>表示t-N时刻到t时刻的随时间变化的相关性输出；
γ是表示超参数,为保留的比例；
相关性矩阵为ζ＝{1,ζ2,…,ζN},ζn＝ReLU(tanh(βζ12))，n＝2,…,N；
ζ12＝cosine(tanh(βDn-1Fn-1)(tanh(βDnFn))T,tanh(βDnFn)(tanh(βDn-1Fn-1))T)
其中，Dn和Dn-1表示相邻两个LSTM单元中的学习点，Fn和Fn-1是两个学习点的对应线性层参数，cosine表示求相似性，ReLU(·)表示激活函数；β是激活函数的控制超参数；
每个时刻输出的数据为随时间变化而呈现的多样化的时间特征，在每个LSTM单元中嵌入一个学习点，该学习点在各个LSTM单元中位置相同，设置学习点学习相邻时刻的数据变化和相关性，利用相关性矩阵来获得动态相关关系，弥补了核容测试过程中时间跨度较长的数据序列的梯度消失现象，提高识别效果。
2.根据权利要求1所述的蓄电池核容监测装置，其特征在于，所述特征融合层的输入为ht-N…ht,特征融合层在t时刻的输出Ft为：
各个时刻的特征整合为
Wa为可学习矩阵；
融合特征层中各个输入的分数为：rm＝Sigmoid(Ws(tanh(Whhm+WqQt+bt)+bz))；
Ws、Wh、Wq为可学习的超参数，bt和bz均为偏置项，Sigmoid(·)表示激活函数，特征融合层的隐藏状态量Hm＝(1+rm)hm；
特征融合层的输出为
3.根据权利要求1所述的蓄电池核容监测装置，其特征在于，所述电池数据采集终端利用电池核容仪采集蓄电池组中每节单体蓄电池的充放电数据。
4.根据权利要求3所述的蓄电池核容监测装置，其特征在于，电池核容仪的电流采样采用电流互感器形式。
5.根据权利要求1所述的蓄电池核容监测装置，其特征在于，所述异常原因包括待测蓄电池电压低、容量异常和内阻大。
6.根据权利要求1所述的蓄电池核容监测装置，其特征在于，所述分析模块还包括客户端，所述客户端用于控制电池数据采集终端的采集开始时间及采集结束时间，自动生成检测结果，检测结果包括蓄电池组截止电压、放电电流、测试时间、环境温度、放电容量比、预计蓄电池组备电时长、是否异常、异常原因和需要维修的蓄电池编号。
7.根据权利要求6所述的蓄电池核容监测装置，其特征在于，所述客户端还用于以基站为单元记录检测期间响应数据，对采集到的基站电池数据进行分析呈现。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310210373.0A CN116298947B (zh) | 2023-03-07 | 2023-03-07 | 一种蓄电池核容监测装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310210373.0A CN116298947B (zh) | 2023-03-07 | 2023-03-07 | 一种蓄电池核容监测装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116298947A CN116298947A (zh) | 2023-06-23 |
| CN116298947B true CN116298947B (zh) | 2023-11-03 |
Family
ID=86831873
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310210373.0A Active CN116298947B (zh) | 2023-03-07 | 2023-03-07 | 一种蓄电池核容监测装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116298947B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117554824B (zh) * | 2024-01-05 | 2024-03-22 | 四会永利五金电池有限公司 | 一种锌锰电池的异常数据检测方法 |
Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020191801A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于灰狼群优化lstm网络的锂离子电池剩余寿命预测方法 |
| WO2020191800A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于wde优化lstm网络的锂离子电池剩余寿命预测方法 |
| CN111736084A (zh) * | 2020-06-29 | 2020-10-02 | 三峡大学 | 基于改进lstm神经网络的阀控铅酸蓄电池健康状态预测方法 |
| KR20200119383A (ko) * | 2019-03-26 | 2020-10-20 | 서강대학교산학협력단 | 인공 지능에 기반하여 배터리의 상태를 추정하는 장치 및 방법 |
| CN111932010A (zh) * | 2020-08-10 | 2020-11-13 | 重庆大学 | 一种基于骑行上下文信息的共享单车流量预测方法 |
| CN112241608A (zh) * | 2020-10-13 | 2021-01-19 | 国网湖北省电力有限公司电力科学研究院 | 一种基于lstm网络和迁移学习的锂电池寿命预测方法 |
| WO2021178909A1 (en) * | 2020-03-05 | 2021-09-10 | Waymo Llc | Learning point cloud augmentation policies |
| CN113391622A (zh) * | 2021-06-22 | 2021-09-14 | 中国人民解放军国防科技大学 | 利用多元多步预测技术的航天器姿态系统异常检测方法 |
| CN113537360A (zh) * | 2021-07-19 | 2021-10-22 | 中国人民解放军国防科技大学 | 一种基于深度学习的逐点分类故障检测方法 |
| CN113917337A (zh) * | 2021-10-13 | 2022-01-11 | 国网福建省电力有限公司 | 基于充电数据和lstm神经网络的电池健康状态估计方法 |
| CN114167296A (zh) * | 2021-10-22 | 2022-03-11 | 南方电网数字电网研究院有限公司 | 一种蓄电池远程充放电核容监测装置及方法 |
| CN114218861A (zh) * | 2021-12-15 | 2022-03-22 | 广州格兴全电力科技有限公司 | 一种新型智能电网蓄电池在线核容监测系统 |
| CN114529984A (zh) * | 2022-01-17 | 2022-05-24 | 重庆邮电大学 | 一种基于可学习pl-gcn和eclstm的骨骼动作识别方法 |
| CN114566159A (zh) * | 2022-03-09 | 2022-05-31 | 广东电网有限责任公司 | 一种基于校核操作的电气票流转方法及装置 |
| CN114636932A (zh) * | 2022-03-14 | 2022-06-17 | 华中科技大学 | 一种电池剩余使用寿命预测方法及系统 |
| CN114818515A (zh) * | 2022-06-24 | 2022-07-29 | 中国海洋大学 | 一种基于自注意力机制和图卷积网络的多维时序预测方法 |
| KR20220112997A (ko) * | 2021-02-05 | 2022-08-12 | 경북대학교 산학협력단 | 신경망을 이용한 리튬배터리 팩의 각 셀에 대한 실시간 충전상태 추정장치 |
| CN115166534A (zh) * | 2022-07-26 | 2022-10-11 | 江苏大学 | 一种锂离子电池剩余使用寿命预测方法和系统 |
| WO2022226843A1 (zh) * | 2021-04-26 | 2022-11-03 | 四川大学华西医院 | 一种用于急性胰腺炎器官衰竭预测的计算机设备和系统 |
| CN115575840A (zh) * | 2022-08-24 | 2023-01-06 | 广州大学 | 一种锂离子电池剩余使用寿命早期预测方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11783181B2 (en) * | 2019-08-27 | 2023-10-10 | Nec Corporation | Tensorized LSTM with adaptive shared memory for learning trends in multivariate time series |
| CN111220921A (zh) * | 2020-01-08 | 2020-06-02 | 重庆邮电大学 | 基于改进卷积-长短时记忆神经网络的锂电池容量估算方法 |
| US20220358356A1 (en) * | 2021-04-21 | 2022-11-10 | International Business Machines Corporation | Computerized methods of forecasting a timeseries using encoder-decoder recurrent neural networks augmented with an external memory bank |
-
2023
- 2023-03-07 CN CN202310210373.0A patent/CN116298947B/zh active Active
Patent Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200119383A (ko) * | 2019-03-26 | 2020-10-20 | 서강대학교산학협력단 | 인공 지능에 기반하여 배터리의 상태를 추정하는 장치 및 방법 |
| WO2020191800A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于wde优化lstm网络的锂离子电池剩余寿命预测方法 |
| WO2020191801A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于灰狼群优化lstm网络的锂离子电池剩余寿命预测方法 |
| WO2021178909A1 (en) * | 2020-03-05 | 2021-09-10 | Waymo Llc | Learning point cloud augmentation policies |
| CN111736084A (zh) * | 2020-06-29 | 2020-10-02 | 三峡大学 | 基于改进lstm神经网络的阀控铅酸蓄电池健康状态预测方法 |
| CN111932010A (zh) * | 2020-08-10 | 2020-11-13 | 重庆大学 | 一种基于骑行上下文信息的共享单车流量预测方法 |
| CN112241608A (zh) * | 2020-10-13 | 2021-01-19 | 国网湖北省电力有限公司电力科学研究院 | 一种基于lstm网络和迁移学习的锂电池寿命预测方法 |
| KR20220112997A (ko) * | 2021-02-05 | 2022-08-12 | 경북대학교 산학협력단 | 신경망을 이용한 리튬배터리 팩의 각 셀에 대한 실시간 충전상태 추정장치 |
| WO2022226843A1 (zh) * | 2021-04-26 | 2022-11-03 | 四川大学华西医院 | 一种用于急性胰腺炎器官衰竭预测的计算机设备和系统 |
| CN113391622A (zh) * | 2021-06-22 | 2021-09-14 | 中国人民解放军国防科技大学 | 利用多元多步预测技术的航天器姿态系统异常检测方法 |
| CN113537360A (zh) * | 2021-07-19 | 2021-10-22 | 中国人民解放军国防科技大学 | 一种基于深度学习的逐点分类故障检测方法 |
| CN113917337A (zh) * | 2021-10-13 | 2022-01-11 | 国网福建省电力有限公司 | 基于充电数据和lstm神经网络的电池健康状态估计方法 |
| CN114167296A (zh) * | 2021-10-22 | 2022-03-11 | 南方电网数字电网研究院有限公司 | 一种蓄电池远程充放电核容监测装置及方法 |
| CN114218861A (zh) * | 2021-12-15 | 2022-03-22 | 广州格兴全电力科技有限公司 | 一种新型智能电网蓄电池在线核容监测系统 |
| CN114529984A (zh) * | 2022-01-17 | 2022-05-24 | 重庆邮电大学 | 一种基于可学习pl-gcn和eclstm的骨骼动作识别方法 |
| CN114566159A (zh) * | 2022-03-09 | 2022-05-31 | 广东电网有限责任公司 | 一种基于校核操作的电气票流转方法及装置 |
| CN114636932A (zh) * | 2022-03-14 | 2022-06-17 | 华中科技大学 | 一种电池剩余使用寿命预测方法及系统 |
| CN114818515A (zh) * | 2022-06-24 | 2022-07-29 | 中国海洋大学 | 一种基于自注意力机制和图卷积网络的多维时序预测方法 |
| CN115166534A (zh) * | 2022-07-26 | 2022-10-11 | 江苏大学 | 一种锂离子电池剩余使用寿命预测方法和系统 |
| CN115575840A (zh) * | 2022-08-24 | 2023-01-06 | 广州大学 | 一种锂离子电池剩余使用寿命早期预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| Correlational Convolutional LSTM for human action recognition;Mahshid Majd等;Neurocomputing * |
| 基于改进LSTM 的变电站铅酸电池寿命预测;李瑞津等;电池;第50卷(第6期) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116298947A (zh) | 2023-06-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021143592A1 (zh) | 电池等效电路模型的建立方法、健康状态估算方法及装置 | |
| WO2023185601A1 (zh) | 一种电池健康状态信息确定方法、装置及电池系统 | |
| CN114050633A (zh) | 一种锂电池储能系统的动态管控方法、装置和电子设备 | |
| CN108254696A (zh) | 电池的健康状态评估方法及系统 | |
| CN110208704A (zh) | 一种基于电压滞后效应的锂电池建模方法和系统 | |
| CN105356528A (zh) | 电池管理系统 | |
| CN109061495A (zh) | 一种混合储能电池组故障诊断方法 | |
| CN114371409B (zh) | 电池状态预测模型的训练方法、电池状态预测方法及装置 | |
| CN116298947B (zh) | 一种蓄电池核容监测装置 | |
| CN109615273B (zh) | 一种电动汽车充电设施状态评价方法与系统 | |
| CN116401585B (zh) | 一种基于大数据的储能电池失效风险评估方法 | |
| CN113687251B (zh) | 一种基于双模型的锂离子电池组电压异常故障诊断方法 | |
| CN108695570A (zh) | 一种基于自愈特征的锂电池物理模型及充放电监测系统 | |
| CN116381541A (zh) | 一种储能锂电池系统的健康评估方法及系统 | |
| CN117169761A (zh) | 电池状态评估方法、装置、设备、存储介质和程序产品 | |
| CN113868884A (zh) | 一种基于证据理论的动力电池多模型容错融合建模方法 | |
| CN211519731U (zh) | 一种低速车共享锂电池智能充电检测保养系统 | |
| CN115980608A (zh) | 蓄电池组核容放电集控系统 | |
| CN204030697U (zh) | 基于动态soc估算系统的电池管理系统 | |
| CN111707943A (zh) | 一种基于电池仿真的电动汽车充电故障预警方法和系统 | |
| CN117054892A (zh) | 一种储能电站电池健康状态的评估方法、装置及管理方法 | |
| Lai et al. | A quantitative method for early-stage detection of the internal-short-circuit in Lithium-ion battery pack under float-charging conditions | |
| CN111525197B (zh) | 一种蓄电池soh实时估算系统及方法 | |
| CN117712529A (zh) | 电池安全预警方法和储能系统 | |
| Tang et al. | An aging-and load-insensitive method for quantitatively detecting the battery internal-short-circuit resistance |
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 |