CN116400249A - 储能电池的检测方法及装置 - Google Patents
储能电池的检测方法及装置 Download PDFInfo
- Publication number
- CN116400249A CN116400249A CN202310671396.1A CN202310671396A CN116400249A CN 116400249 A CN116400249 A CN 116400249A CN 202310671396 A CN202310671396 A CN 202310671396A CN 116400249 A CN116400249 A CN 116400249A
- Authority
- CN
- China
- Prior art keywords
- battery
- abnormal
- data
- time
- battery pack
- 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
- 238000004146 energy storage Methods 0.000 title claims abstract description 57
- 238000001514 detection method Methods 0.000 title claims abstract description 19
- 230000002159 abnormal effect Effects 0.000 claims abstract description 121
- 239000011159 matrix material Substances 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 21
- 230000009467 reduction Effects 0.000 claims abstract description 20
- 238000009826 distribution Methods 0.000 claims abstract description 18
- 238000007621 cluster analysis Methods 0.000 claims abstract description 13
- 238000005259 measurement Methods 0.000 claims abstract description 11
- 238000000034 method Methods 0.000 claims description 38
- 230000005856 abnormality Effects 0.000 claims description 29
- 238000003064 k means clustering Methods 0.000 claims description 15
- 238000012216 screening Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 8
- 239000004973 liquid crystal related substance Substances 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 239000000178 monomer Substances 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000003491 array Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 229910001416 lithium ion Inorganic materials 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
- 238000003672 processing method Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012800 visualization 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]
- G01R31/392—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]
- G01R31/3644—Constructional arrangements
- G01R31/3648—Constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
-
- 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]
- G01R31/396—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)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本公开提出了一种储能电池的检测方法及装置，涉及储能电池技术领域，包括：获取储能电站的电池数据集，所述电池数据集中包含有多个电池组数据，每个所述电池组数据中包含有多个电池在指定时期内测得的测量电压；基于T分布随机邻域嵌入算法，对所述电池数据集进行数据降维，以得到每个所述电池组数据对应的矩阵；对各个所述矩阵进行聚类分析，以从各个电池组中筛选出异常电池组；从所述电池数据集中获取所述异常电池组对应的异常电池数据；对所述异常电池数据进行处理，以定位所述异常电池组中的异常电池。由此，可以及时预测电池单体的潜在故障，以实现对储能电池系统状态的实时监测和故障检测。
Description
技术领域
本公开涉及储能电池技术领域，尤其涉及一种储能电池的检测方法及装置。
背景技术
随着储能技术的快速发展，储能电池系统已经成为可再生能源重要组成部分。锂离子电池具有高比功率和能量等优点，广泛应用于储能电池系统。储能电池的性能直接影响着储能系统的效率和稳定性。大规模储能电站中海量电池成组运行，必须保证单体电池的安全可靠。在储能电池系统中，电池电压可以反映电池的状态和性能。在实际使用过程中，当储能电池电压发生异常变化时，可能会导致储能系统的故障和事故的发生。因此，对常见的储能电池故障进行诊断特别是电压异常进行检测很有必要。
传统故障诊断方法在检测电池组的故障和异常以及定位故障电池方面存在效率低的问题。因此，需要一种高效率的储能电站电池组系统故障诊断方法和电压异常检测方法，及时预测电池单体的潜在故障，以实现对储能电池系统状态的实时监测和故障检测。
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储能电池的检测方法，包括：
获取储能电站的电池数据集，所述电池数据集中包含有多个电池组数据，每个所述电池组数据中包含有多个电池在指定时期内测得的测量电压；
基于T分布随机邻域嵌入算法，对所述电池数据集进行数据降维，以得到每个所述电池组数据对应的矩阵；
对各个所述矩阵进行聚类分析，以从各个电池组中筛选出异常电池组；
从所述电池数据集中获取所述异常电池组对应的异常电池数据；
对所述异常电池数据进行处理，以定位所述异常电池组中的异常电池。
本公开第二方面实施例提出了一种储能电池的检测装置，包括：
第一获取模块，用于获取储能电站的电池数据集，所述电池数据集中包含有多个电池组数据，每个所述电池组数据中包含有多个电池在指定时期内测得的测量电压；
数据降维模块，用于基于T分布随机邻域嵌入算法，对所述电池数据集进行数据降维，以得到每个所述电池组数据对应的矩阵；
筛选模块，用于对各个所述矩阵进行聚类分析，以从各个电池组中筛选出异常电池组；
第二获取模块，用于从所述电池数据集中获取所述异常电池组对应的异常电池数据；
处理模块，用于对所述异常电池数据进行处理，以定位所述异常电池组中的异常电池。
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，所述处理器执行所述程序时，实现如本公开第一方面实施例提出的储能电池的检测方法。
本公开第四方面实施例提出了一种非临时性计算机可读存储介质，存储有计算机程序，所述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储能电池的检测方法。
本公开提供的储能电池的检测方法、装置、设备及存储介质，存在如下有益效果：
本公开实施例中，首先获取储能电站的电池数据集，所述电池数据集中包含有多个电池组数据，每个所述电池组数据中包含有多个电池在指定时期内测得的测量电压，之后基于T分布随机邻域嵌入算法，对所述电池数据集进行数据降维，以得到每个所述电池组数据对应的矩阵，然后对各个所述矩阵进行聚类分析，以从各个电池组中筛选出异常电池组，之后从所述电池数据集中获取所述异常电池组对应的异常电池数据，然后对所述异常电池数据进行处理，以定位所述异常电池组中的异常电池。通过应用设计系数诊断电池组的系统故障和可能的异常状态。利用t-SNE技术、K-means聚类，来检测和准确定位异常电池电压，使用t-SNE技术将所有电池电压的高维监测数据压缩为二维数据，提高数据的可读性，同时保留原始数据中包含的关键信息，利用K-means聚类算法进行聚类分析，筛选电池组中的异常电池电压，有效地消除与实际类别标签不一致的奇异样本点，通过结合高斯分布原理和电池异常系数，基于检测准则来定位异常电池单体，及时预测电池单体的潜在故障。
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为本公开实施例所提供的一种储能电池的检测方法的流程示意图；
图2为本公开实施例所提供的一种储能电池的检测方法的流程示意图；
图3为本公开实施例所提供的一种储能电池的检测装置的结构框图；
图4示出了适于用来实现本公开实施方式的示例性计算机设备的框图。
具体实施方式
下面详细描述本公开的实施例，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储能电池的检测方法、装置、计算机设备和存储介质。
需要说明的是，本公开实施例中的储能电池的检测方法的执行主体为储能电池的检测装置，该装置可以由软件和/或硬件的方式实现，该装置可以配置在任意电子设备中。在本公开提出的场景中，下面将以“储能电池的检测装置”作为执行主体对本公开实施例中提出的储能电池的检测方法进行说明，在此不进行限定。
图1为本公开实施例所提供的储能电池的检测方法的流程示意图。
如图1所示，该储能电池的检测方法可以包括以下步骤：
步骤101，获取储能电站的电池数据集，电池数据集中包含有多个电池组数据，每个电池组数据中包含有多个电池在指定时期内测得的测量电压。
其中，指定时期可以为历史一周，或者为历史一个月，本公开对指定时期的时长在此不做限定。
其中，电池组包含了多个电池单元。电池组数据中记录了该电池组中的各个电池在指定时期测得的测量电压。比如，指定时期为一周，可以在这一周的每一天对每个电池的电压进行检测，比如每个小时监测一次，从而可以得到每个电池在每个小时的测量电压。
可选的，在获取储能电站的电池数据集之后，可以对电池数据集进行数据清洗处理。
其中，数据清洗规则为：对于缺失值或者显著超出阈值范围的不合理数值，采用该数值前一时刻数值，或者后一时刻数值，或通过滑动窗口计算的一段时间区间内的平均值，进行替换赋值。缺失值可能是因为测试仪器或传感器损坏或失效导致的，也可能是由于数据采集或传输过程中数据丢失等原因导致的。针对缺失值，可以有插值、平均值填补或删除缺失值等方法。其次，需要处理测量数据中的异常值。电池组的电压值波动不应过大，因此，超出某个阈值之外的数据点可以视为异常值进行处理。处理方法可以是删除异常值、平均值填补、插值等。
步骤102，基于T分布随机邻域嵌入算法，对电池数据集进行数据降维，以得到每个电池组数据对应的矩阵。
需要说明的是，如果对每个电池电压的诊断和分析增加了显著的计算负担，并降低了诊断的实时性能。为了解决这个问题，使用t-SNE技术将所有电池电压的高维监测数据压缩为二维数据。
其中，T分布随机邻域嵌入算法也即t-SNE（t-Distributed Stochastic NeighborEmbedding）技术，是一种非线性降维技术，它可以将高维数据映射到二维或三维空间中，以进行可视化或更好的特征提取。t-SNE能够在保留数据之间距离和局部结构的同时，将数据降低到相对小的维数。它利用高维数据之间的不同概率分布来比较低维数据间的相似性，最终得到降维后的数据。
具体的，可以首先设置t-SNE所需的超参数，如降维后的维数、学习率和迭代次数等参数，之后通过t-SNE算法对电池数据集进行数据降维，得到降维后的电池组数据矩阵。还可以将电池组数据矩阵可视化，可以便于直观地观察每个电池组之间的相似度和差异性。
由此，可以确保电池组的运行安全性和可靠性，监测每个电池组的运行状态并诊断其健康状态，基于t-SNE的降维过程可以提高数据的可读性，同时保留原始数据中包含的关键信息。
步骤103，对各个矩阵进行聚类分析，以从各个电池组中筛选出异常电池组。
可选的，可以基于K-means聚类算法，对各个矩阵进行聚类分析，以从各个电池组中筛选出异常电池组。利用K-means聚类算法对异常电压数据进行筛选对数据进行降维后，利用K-means聚类算法进行聚类分析，筛选电池组中的异常电池电压。K-means聚类算法是一种无监督的分割聚类分割方法，可以有效地消除与实际类别标签不一致的奇异样本点。
K-means聚类算法是一种无监督学习算法，用于发现数据集中的固定数量的簇（clusters）。它通过将数据集中的点分配给不同的簇并通过最小化每个数据点与其所属簇的质心之间的距离来完成聚类。每个簇都有一个中心点，称为质心（centroid），它是该簇内所有点的平均值。K-means算法的目标是最小化所有数据点到其所属质心的距离之和。K-means算法的工作原理如下：首先，需要确定要划分成多少簇，然后从数据集中随机选择k个数据点作为质心。接下来，将所有数据点分配到与其最近的质心，形成k个簇。计算每个簇的质心，并重复上述过程直到质心不再移动或达到最大迭代次数为止。
具体的，可以根据每个电池组数据对应的矩阵进行聚类分析，从而筛选出异常的异常电池组。
步骤104，从电池数据集中获取异常电池组对应的异常电池数据。
进一步的，可以从电池数据集中获取与异常电池组所对应的异常电池数据。举例来说，若电池数据集中包含的电池组数据有A电池组对应的A电池组数据，B电池组对应的B电池组数据，C电池组对应的C电池组数据。若确定A电池组为异常电池组，则可以将A电池组数据作为异常电池数据。
步骤105，对异常电池数据进行处理，以定位异常电池组中的异常电池。
可选的，可以首先根据异常电池数据，确定每个电池在任一时刻对应的测量电压的概率密度值、任一时刻各个电池对应的概率密度的标准偏差，之后根据任一电池在任一时刻对应的概率密度值，以及任一时刻对应的各个电池的标准偏差和电池的数量，计算任一电池在任一时刻对应的电池异常系数，然后根据任一电池在各个时刻对应的电池异常系数，判断任一电池是否为异常电池。
可选的，可以通过以下公式计算每个电池在任一时刻对应的测量电压的概率密度值：
其中，μ是异常电池组中各个电池在任一时刻的测量电压的平均值，σ为异常电池组中各个电池在任一时刻的测量电压的标准差，
是电池i在任一时刻的测量电压，/>
为概率密度值。
可选的，可以通过以下公式计算电池异常系数
：
其中，
为电池i在t时刻的概率密度值，k为电池的数量，/>
为时间t时所有电池电压概率密度的标准偏差。
需要说明的是，若电池异常系数越大，则说明电池异常的可能性越大，电池异常系数越小，则说明电池异常的概率越低。具体的，可以将电池异常系数与预先设置的阈值进行比较，若电池异常系数高于该阈值，则说明电池为异常电池。
本公开实施例中，首先获取储能电站的电池数据集，所述电池数据集中包含有多个电池组数据，每个所述电池组数据中包含有多个电池在指定时期内测得的测量电压，之后基于T分布随机邻域嵌入算法，对所述电池数据集进行数据降维，以得到每个所述电池组数据对应的矩阵，然后对各个所述矩阵进行聚类分析，以从各个电池组中筛选出异常电池组，之后从所述电池数据集中获取所述异常电池组对应的异常电池数据，然后对所述异常电池数据进行处理，以定位所述异常电池组中的异常电池。通过应用设计系数诊断电池组的系统故障和可能的异常状态。利用t-SNE技术、K-means聚类，来检测和准确定位异常电池电压，使用t-SNE技术将所有电池电压的高维监测数据压缩为二维数据，提高数据的可读性，同时保留原始数据中包含的关键信息，利用K-means聚类算法进行聚类分析，筛选电池组中的异常电池电压，有效地消除与实际类别标签不一致的奇异样本点，通过结合高斯分布原理和电池异常系数，基于检测准则来定位异常电池单体，及时预测电池单体的潜在故障。
图2为本公开实施例所提供的储能电池的检测方法的流程示意图。
如图2所示，该储能电池的检测方法可以包括以下步骤：
步骤201，获取储能电站的电池数据集，所述电池数据集中包含有多个电池组数据，每个电池组数据中包含有多个电池在指定时期内测得的测量电压。
步骤202，基于T分布随机邻域嵌入算法，对所述电池数据集进行数据降维，以得到每个所述电池组数据对应的矩阵。
步骤203，对各个所述矩阵进行聚类分析，以从各个电池组中筛选出异常电池组。
步骤204，从电池数据集中获取异常电池组对应的异常电池数据。
步骤205，根据所述异常电池数据，确定每个所述电池在任一时刻对应的所述测量电压的概率密度值、所述任一时刻各个所述电池对应的所述概率密度的标准偏差。
步骤206，根据任一电池在所述任一时刻对应的所述概率密度值，以及所述任一时刻对应的各个所述电池的标准偏差和所述电池的数量，计算所述任一电池在所述任一时刻对应的电池异常系数。
需要说明的是，步骤201-206的具体实现方式可以参照上述实施例，在此不进行赘述。
步骤207，根据任一电池在各个时刻对应的所述电池异常系数，计算各个电池异常系数的平均值，以及标准差。
可选的，对于每个电池，可以首先计算其所有时间点电池异常系数的均值（mean），然后对于每个电池，计算每个时间点电池异常系数与其均值的差（即每个时间点异常系数减去该电池所有时间点异常系数的均值），之后对于每个电池，将所有时间点的电池异常系数差的平方求和，并将其除以时间点的数量来计算方差（variance），最后对于每个电池，将方差求平方根，即可得到标准差（standard deviation）。
步骤208，确定任一电池在任一时刻对应的电池异常系数与平均值之间的差值。
具体的，通过计算所有样本数据的电池异常系数的平均值μ，可以获得电池电压
和μ之间的差值，如下所示：
其中，
为电池i在t时刻的电池异常系数，/>
为/>
的差值。
步骤209，确定与标准差关联的故障判断区间。
举例来说，若标准差为σ，则可以将[-3σ,3σ]作为标准差σ关联的故障判断区间，或者，也可以将[-2σ,2σ]作为标准差σ关联的故障判断区间，在此不做限定。
步骤210，根据差值是否在故障判断区间，确定任一电池与任一时刻对应的第一故障特征值。
作为一种示例，若标准差为σ，[-3σ,3σ]为标准差σ关联的故障判断区间，则可以按照以下判断条件确定任一电池i与任一时刻对应的第一故障特征值：
其中，
为任一电池在任一时刻对应的电池异常系数与平均值之间的差值，/>
为第一故障特征值。
步骤211，根据任一电池在各个时刻对应的第一故障特征值，计算任一电池在电池运行时期所对应的第二故障特征值。
可选的，可以根据任一电池在各个时刻对应的第一故障特征值，可以任一时刻t内n个电池的故障矩阵构造为：
其中
或1。可以得出任一电池i在特定时间段T(/>
)的故障矩阵，如下所示：
具体的，可以根据该故障矩阵，确定第二故障特征值。
或者，可以计算得到
，也即电池j在电池运行时期K中的时间i对应的第一故障特征值。其中，电池运行时期可以是预先规定的，比如每天的早8点到晚8点。在每天的电池运行时期中可以设置多个测量时刻，比如平均设置12个测量时刻，从而记录在这个电池运行时期的12个测量电压，其中，每个测量时刻i都对应有一个计算得到的第一故障特征值。可选的，可以将各个第一故障特征值相加再求平均，从而得到第二故障特征值。
举例来说，若
为电池j在电池运行时期K中的时间i对应的第一故障特征值，且电池运行时期K中包含了8个采样时刻，则可以将这8个采样时刻电池i对应的第一故障特征值的均值作为K对应的第二故障特征值。
步骤212，根据指定时期对应的电池运行时期的数量，以及每个电池运行时期对应的第二故障特征值，计算任一电池与所述电池运行时期对应的故障频率。
可选的，可以根据以下公式，计算任一电池与所述电池运行时期对应的故障频率
：
其中，n为指定时期内电池运行时期的数量。举例来说，若指定时期为1周，以一天为一个电池运行时期，则数量为7天，若以早8点到晚8点作为一个电池运行时期，则数量也是7天。其中，
为电池j在电池运行时期i对应的第二故障特征值。
步骤213，根据所述故障频率，判断所述任一电池的故障类型，以及是否为所述异常电池。
需要说明的是，故障频率越高，则说明电池的故障程度越大。若故障频率等于0，则说明电池既没有系统故障，也没有随机误差。若故障频率等于1，则说明电池是系统故障，也即完全持续性的故障。若故障频率大于0小于1，则说明电池是随机误差导致的随机故障。需要说明的是，若故障频率大于预设故障频率阈值，则说明电池为异常电池。
可选的，故障频率阈值可以为0.2，在此不做限定。
需要说明的是，不同的故障频率对应有不同的故障状态，也即故障类型。
综上所述，本公开实施例中，首先分析了电池组中各参数的分布特征，并根据参数变化的分布特点设计了异常状态检测系数，对于电压异常，首先使用K-means聚类算法对故障或异常电池单体的电压进行粗略识别和分类。根据由电池异常系数确定的故障频率来定位异常电池电压，可以及时预测电池单体的潜在故障，非常的准确可靠，且计算量比较小。
为了实现上述实施例，本公开还提出一种储能电池的检测装置。
图3为本公开第三实施例所提供的储能电池的检测装置的结构框图。
如图3所示，该储能电池的检测装置300可以包括：
第一获取模块310，用于获取储能电站的电池数据集，所述电池数据集中包含有多个电池组数据，每个所述电池组数据中包含有多个电池在指定时期内测得的测量电压；
数据降维模块320，用于基于T分布随机邻域嵌入算法，对所述电池数据集进行数据降维，以得到每个所述电池组数据对应的矩阵；
筛选模块330，用于对各个所述矩阵进行聚类分析，以从各个电池组中筛选出异常电池组；
第二获取模块340，用于从所述电池数据集中获取所述异常电池组对应的异常电池数据；
处理模块350，用于对所述异常电池数据进行处理，以定位所述异常电池组中的异常电池。
可选的，所述第一获取模块，还用于：
对所述电池数据集进行数据清洗处理。
可选的，所述筛选模块，具体用于：
基于K-means聚类算法，对各个所述矩阵进行聚类分析，以从各个电池组中筛选出异常电池组。
可选的，所述处理模块，包括：
确定单元，用于根据所述异常电池数据，确定每个所述电池在任一时刻对应的所述测量电压的概率密度值、所述任一时刻各个所述电池对应的所述概率密度的标准偏差；
计算单元，用于根据任一电池在所述任一时刻对应的所述概率密度值，以及所述任一时刻对应的各个所述电池的标准偏差和所述电池的数量，计算所述任一电池在所述任一时刻对应的电池异常系数；
判断单元，用于根据所述任一电池在各个时刻对应的所述电池异常系数，判断所述任一电池是否为所述异常电池。
可选的，所述判断单元，具体用于：
根据所述任一电池在各个时刻对应的所述电池异常系数，计算各个所述电池异常系数的平均值，以及标准差；
确定所述任一电池在所述任一时刻对应的所述电池异常系数与所述平均值之间的差值；
确定与所述标准差关联的故障判断区间；
根据所述差值是否在所述故障判断区间，确定所述任一电池与所述任一时刻对应的第一故障特征值；
根据所述任一电池在各个时刻对应的第一故障特征值，计算所述任一电池在电池运行时期所对应的第二故障特征值；
根据所述指定时期对应的所述电池运行时期的数量，以及每个所述电池运行时期对应的所述第二故障特征值，计算所述任一电池与所述电池运行时期对应的故障频率；
根据所述故障频率，判断所述任一电池的故障类型，以及是否为所述异常电池。
本公开实施例中，首先获取储能电站的电池数据集，所述电池数据集中包含有多个电池组数据，每个所述电池组数据中包含有多个电池在指定时期内测得的测量电压，之后基于T分布随机邻域嵌入算法，对所述电池数据集进行数据降维，以得到每个所述电池组数据对应的矩阵，然后对各个所述矩阵进行聚类分析，以从各个电池组中筛选出异常电池组，之后从所述电池数据集中获取所述异常电池组对应的异常电池数据，然后对所述异常电池数据进行处理，以定位所述异常电池组中的异常电池。通过应用设计系数诊断电池组的系统故障和可能的异常状态。利用t-SNE技术、K-means聚类，来检测和准确定位异常电池电压，使用t-SNE技术将所有电池电压的高维监测数据压缩为二维数据，提高数据的可读性，同时保留原始数据中包含的关键信息，利用K-means聚类算法进行聚类分析，筛选电池组中的异常电池电压，有效地消除与实际类别标签不一致的奇异样本点，通过结合高斯分布原理和电池异常系数，基于检测准则来定位异常电池单体，及时预测电池单体的潜在故障。
为了实现上述实施例，本公开还提出一种计算机设备，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储能电池的检测方法。
为了实现上述实施例，本公开还提出一种非临时性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储能电池的检测方法。
为了实现上述实施例，本公开还提出一种计算机程序产品，当计算机程序产品中的指令处理器执行时，执行如本公开前述实施例提出的储能电池的检测方法。
图4示出了适于用来实现本公开实施方式的示例性计算机设备的框图。图4显示的计算机设备12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4所示，计算机设备12以通用计算设备的形式表现。计算机设备12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。
计算机设备12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计算机设备12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。计算机设备12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4未显示，通常称为“硬盘驱动器”）。尽管图4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 OnlyMemory；以下简称：CD-ROM）、数字多功能只读光盘（Digital Video Disc Read OnlyMemory；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。
计算机设备12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计算机设备12交互的设备通信，和/或与使得该计算机设备12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，计算机设备12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（Wide Area 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与计算机设备12的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备12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。
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)
1.一种储能电池的检测方法，其特征在于，包括：
获取储能电站的电池数据集，所述电池数据集中包含有多个电池组数据，每个所述电池组数据中包含有多个电池在指定时期内测得的测量电压；
基于T分布随机邻域嵌入算法，对所述电池数据集进行数据降维，以得到每个所述电池组数据对应的矩阵；
对各个所述矩阵进行聚类分析，以从各个电池组中筛选出异常电池组；
从所述电池数据集中获取所述异常电池组对应的异常电池数据；
对所述异常电池数据进行处理，以定位所述异常电池组中的异常电池。
2.根据权利要求1所述的方法，其特征在于，在所述获取储能电站的电池数据集之后，还包括：
对所述电池数据集进行数据清洗处理。
3.根据权利要求1所述的方法，其特征在于，所述对各个所述矩阵进行聚类分析，以从各个电池组中筛选出异常电池组，包括：
基于K-means聚类算法，对各个所述矩阵进行聚类分析，以从各个电池组中筛选出异常电池组。
4.根据权利要求1所述的方法，其特征在于，所述对所述异常电池数据进行处理，以定位所述异常电池组中的异常电池，包括：
根据所述异常电池数据，确定每个所述电池在任一时刻对应的所述测量电压的概率密度值、所述任一时刻各个所述电池对应的所述概率密度的标准偏差；
根据任一电池在所述任一时刻对应的所述概率密度值，以及所述任一时刻对应的各个所述电池的标准偏差和所述电池的数量，计算所述任一电池在所述任一时刻对应的电池异常系数；
根据所述任一电池在各个时刻对应的所述电池异常系数，判断所述任一电池是否为所述异常电池。
5.根据权利要求4所述的方法，其特征在于，所述根据所述任一电池在各个时刻对应的所述电池异常系数，判断所述任一电池是否为所述异常电池，包括：
根据所述任一电池在各个时刻对应的所述电池异常系数，计算各个所述电池异常系数的平均值，以及标准差；
确定所述任一电池在所述任一时刻对应的所述电池异常系数与所述平均值之间的差值；
确定与所述标准差关联的故障判断区间；
根据所述差值是否在所述故障判断区间，确定所述任一电池与所述任一时刻对应的第一故障特征值；
根据所述任一电池在各个时刻对应的第一故障特征值，计算所述任一电池在电池运行时期所对应的第二故障特征值；
根据所述指定时期对应的所述电池运行时期的数量，以及每个所述电池运行时期对应的所述第二故障特征值，计算所述任一电池与所述电池运行时期对应的故障频率；
根据所述故障频率，判断所述任一电池的故障类型，以及是否为所述异常电池。
6.一种储能电池的检测装置，其特征在于，包括：
第一获取模块，用于获取储能电站的电池数据集，所述电池数据集中包含有多个电池组数据，每个所述电池组数据中包含有多个电池在指定时期内测得的测量电压；
数据降维模块，用于基于T分布随机邻域嵌入算法，对所述电池数据集进行数据降维，以得到每个所述电池组数据对应的矩阵；
筛选模块，用于对各个所述矩阵进行聚类分析，以从各个电池组中筛选出异常电池组；
第二获取模块，用于从所述电池数据集中获取所述异常电池组对应的异常电池数据；
处理模块，用于对所述异常电池数据进行处理，以定位所述异常电池组中的异常电池。
7.根据权利要求6所述的装置，其特征在于，所述第一获取模块，还用于：
对所述电池数据集进行数据清洗处理。
8.根据权利要求6所述的装置，其特征在于，所述筛选模块，具体用于：
基于K-means聚类算法，对各个所述矩阵进行聚类分析，以从各个电池组中筛选出异常电池组。
9.根据权利要求6所述的装置，其特征在于，所述处理模块，包括：
确定单元，用于根据所述异常电池数据，确定每个所述电池在任一时刻对应的所述测量电压的概率密度值、所述任一时刻各个所述电池对应的所述概率密度的标准偏差；
计算单元，用于根据任一电池在所述任一时刻对应的所述概率密度值，以及所述任一时刻对应的各个所述电池的标准偏差和所述电池的数量，计算所述任一电池在所述任一时刻对应的电池异常系数；
判断单元，用于根据所述任一电池在各个时刻对应的所述电池异常系数，判断所述任一电池是否为所述异常电池。
10.根据权利要求9所述的装置，其特征在于，所述判断单元，具体用于：
根据所述任一电池在各个时刻对应的所述电池异常系数，计算各个所述电池异常系数的平均值，以及标准差；
确定所述任一电池在所述任一时刻对应的所述电池异常系数与所述平均值之间的差值；
确定与所述标准差关联的故障判断区间；
根据所述差值是否在所述故障判断区间，确定所述任一电池与所述任一时刻对应的第一故障特征值；
根据所述任一电池在各个时刻对应的第一故障特征值，计算所述任一电池在电池运行时期所对应的第二故障特征值；
根据所述指定时期对应的所述电池运行时期的数量，以及每个所述电池运行时期对应的所述第二故障特征值，计算所述任一电池与所述电池运行时期对应的故障频率；
根据所述故障频率，判断所述任一电池的故障类型，以及是否为所述异常电池。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310671396.1A CN116400249A (zh) | 2023-06-08 | 2023-06-08 | 储能电池的检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310671396.1A CN116400249A (zh) | 2023-06-08 | 2023-06-08 | 储能电池的检测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116400249A true CN116400249A (zh) | 2023-07-07 |
Family
ID=87007976
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310671396.1A Pending CN116400249A (zh) | 2023-06-08 | 2023-06-08 | 储能电池的检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116400249A (zh) |
Cited By (1)
| 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 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104933080A (zh) * | 2014-03-21 | 2015-09-23 | 中国移动通信集团湖北有限公司 | 一种确定异常数据的方法及装置 |
| CN109375116A (zh) * | 2018-08-09 | 2019-02-22 | 上海国际汽车城（集团）有限公司 | 一种基于自编码器的电池系统异常电池识别方法 |
| CN109740826A (zh) * | 2019-01-30 | 2019-05-10 | 广东工业大学 | 一种基于动态数据挖掘的冷热电联供系统负荷预测方法 |
| CN110046152A (zh) * | 2019-04-19 | 2019-07-23 | 国网河南省电力公司经济技术研究院 | 一种处理用电数据缺失值的方法 |
| CN110135492A (zh) * | 2019-05-13 | 2019-08-16 | 山东大学 | 基于多高斯模型的设备故障诊断与异常检测方法及系统 |
| CN112329350A (zh) * | 2020-11-17 | 2021-02-05 | 南京航空航天大学 | 基于隔离的飞机铅酸蓄电池异常检测半监督方法 |
| CN113487448A (zh) * | 2021-05-31 | 2021-10-08 | 国网上海市电力公司 | 一种基于电力大数据的电力信用标签化方法及系统 |
| WO2022114653A1 (ko) * | 2020-11-26 | 2022-06-02 | (주)심플랫폼 | 데이터 경계 도출 시스템 및 방법 |
| CN115166533A (zh) * | 2022-07-26 | 2022-10-11 | 湖北工业大学 | 基于分段降维和离群值识别的锂离子电池故障诊断方法 |
| CN115327425A (zh) * | 2022-10-14 | 2022-11-11 | 中国华能集团清洁能源技术研究院有限公司 | 基于统计的锂电池储能电站的多级异常检测方法及系统 |
| CN115684939A (zh) * | 2022-10-21 | 2023-02-03 | 上海玖行能源科技有限公司 | 基于机器学习的电池充电异常状态监测方法及监测系统 |
| US11577625B1 (en) * | 2021-11-11 | 2023-02-14 | Beta Air, Llc | Systems and methods for predicting degradation of a battery for use in an electric vehicle |
| CN116027217A (zh) * | 2023-02-08 | 2023-04-28 | 广东电网有限责任公司东莞供电局 | Ae-cfsfdp储能电站多源电池数据异常检测方法 |
| CN116128531A (zh) * | 2023-02-07 | 2023-05-16 | 中冶赛迪信息技术(重庆)有限公司 | 一种产品质量异常原因追溯方法、装置、设备及存储介质 |
-
2023
- 2023-06-08 CN CN202310671396.1A patent/CN116400249A/zh active Pending
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104933080A (zh) * | 2014-03-21 | 2015-09-23 | 中国移动通信集团湖北有限公司 | 一种确定异常数据的方法及装置 |
| CN109375116A (zh) * | 2018-08-09 | 2019-02-22 | 上海国际汽车城（集团）有限公司 | 一种基于自编码器的电池系统异常电池识别方法 |
| CN109740826A (zh) * | 2019-01-30 | 2019-05-10 | 广东工业大学 | 一种基于动态数据挖掘的冷热电联供系统负荷预测方法 |
| CN110046152A (zh) * | 2019-04-19 | 2019-07-23 | 国网河南省电力公司经济技术研究院 | 一种处理用电数据缺失值的方法 |
| CN110135492A (zh) * | 2019-05-13 | 2019-08-16 | 山东大学 | 基于多高斯模型的设备故障诊断与异常检测方法及系统 |
| CN112329350A (zh) * | 2020-11-17 | 2021-02-05 | 南京航空航天大学 | 基于隔离的飞机铅酸蓄电池异常检测半监督方法 |
| WO2022114653A1 (ko) * | 2020-11-26 | 2022-06-02 | (주)심플랫폼 | 데이터 경계 도출 시스템 및 방법 |
| CN113487448A (zh) * | 2021-05-31 | 2021-10-08 | 国网上海市电力公司 | 一种基于电力大数据的电力信用标签化方法及系统 |
| US11577625B1 (en) * | 2021-11-11 | 2023-02-14 | Beta Air, Llc | Systems and methods for predicting degradation of a battery for use in an electric vehicle |
| CN115166533A (zh) * | 2022-07-26 | 2022-10-11 | 湖北工业大学 | 基于分段降维和离群值识别的锂离子电池故障诊断方法 |
| CN115327425A (zh) * | 2022-10-14 | 2022-11-11 | 中国华能集团清洁能源技术研究院有限公司 | 基于统计的锂电池储能电站的多级异常检测方法及系统 |
| CN115684939A (zh) * | 2022-10-21 | 2023-02-03 | 上海玖行能源科技有限公司 | 基于机器学习的电池充电异常状态监测方法及监测系统 |
| CN116128531A (zh) * | 2023-02-07 | 2023-05-16 | 中冶赛迪信息技术(重庆)有限公司 | 一种产品质量异常原因追溯方法、装置、设备及存储介质 |
| CN116027217A (zh) * | 2023-02-08 | 2023-04-28 | 广东电网有限责任公司东莞供电局 | Ae-cfsfdp储能电站多源电池数据异常检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| QIAO XUE 等: "Fault diagnosis and abnormality detection of lithium-ion battery packs based on statistical distribution", JOURNAL OF POWER SOURCES, vol. 482, pages 1 - 11 * |
Cited By (2)
| 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 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111459700B (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
| 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 | |
| CN108009692A (zh) | 设备维修信息处理方法、装置、计算机设备和存储介质 | |
| US20140195860A1 (en) | Early Detection Of Failing Computers | |
| JP5827426B1 (ja) | 予兆診断システム及び予兆診断方法 | |
| JP5827425B1 (ja) | 予兆診断システム及び予兆診断方法 | |
| CN112911627B (zh) | 无线网络性能检测方法、装置以及存储介质 | |
| CN111104736B (zh) | 基于时间序列的异常数据检测方法、装置、介质和设备 | |
| CN116400249A (zh) | 储能电池的检测方法及装置 | |
| CN111080009A (zh) | 基于时间序列的数据预测及补全方法、装置、介质和设备 | |
| CN117273489A (zh) | 光伏状态评估方法及装置 | |
| CN116203450A (zh) | 电池短路故障的检测方法、装置、电子设备及存储介质 | |
| CN115964361A (zh) | 一种数据增强方法、系统、设备及计算机可读存储介质 | |
| CN112416661B (zh) | 基于压缩感知的多指标时间序列异常检测方法和装置 | |
| 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 | |
| CN113376534B (zh) | 动力电池早期故障相平面诊断方法及超前预警系统 | |
| JP5771318B1 (ja) | 異常診断装置及び異常診断方法 | |
| CN116400231B (zh) | 储能系统的电池多故障检测方法、装置及电子设备 | |
| CN111367765A (zh) | 接口响应性能的监控方法、装置、服务器和存储介质 | |
| Chen et al. | A self-attention knowledge domain adaptation network for commercial lithium-ion batteries state-of-health estimation under shallow cycles | |
| CN116577671B (zh) | 电池系统异常检测方法及装置 | |
| CN113361823B (zh) | 一种基于预测数据的燃料电池故障预测方法及系统 | |
| CN116992245B (zh) | 一种分布式时序数据分析处理方法 | |
| CN116259337B (zh) | 磁盘异常检测方法及模型训练方法、相关装置 | |
| CN117310543A (zh) | 电池异常诊断方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230707 |
|
| RJ01 | Rejection of invention patent application after publication |