CN116593902A - 基于铁锂电池的性能参数融合成ai模型的故障诊断方法 - Google Patents
基于铁锂电池的性能参数融合成ai模型的故障诊断方法 Download PDFInfo
- Publication number
- CN116593902A CN116593902A CN202310857284.5A CN202310857284A CN116593902A CN 116593902 A CN116593902 A CN 116593902A CN 202310857284 A CN202310857284 A CN 202310857284A CN 116593902 A CN116593902 A CN 116593902A
- Authority
- CN
- China
- Prior art keywords
- battery
- ladder
- alarm
- performance
- model
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000003745 diagnosis Methods 0.000 title claims abstract description 41
- QSNQXZYQEIKDPU-UHFFFAOYSA-N [Li].[Fe] Chemical compound [Li].[Fe] QSNQXZYQEIKDPU-UHFFFAOYSA-N 0.000 title claims abstract description 39
- 230000004927 fusion Effects 0.000 title claims description 17
- 238000007599 discharging Methods 0.000 claims abstract description 21
- 230000007812 deficiency Effects 0.000 claims abstract description 20
- 230000007547 defect Effects 0.000 claims abstract description 7
- 238000004590 computer program Methods 0.000 claims description 13
- 239000000178 monomer Substances 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 230000002596 correlated effect Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 description 19
- 238000012544 monitoring process Methods 0.000 description 11
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 9
- 229910052744 lithium Inorganic materials 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 230000000875 corresponding effect Effects 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 239000002253 acid Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000007773 negative electrode material Substances 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000008298 dragée Substances 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007704 transition Effects 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]
- G01R31/367—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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/206—Drawing of charts or graphs
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明提出基于铁锂电池的性能参数融合成AI模型的故障诊断方法，包括：建立AI模型，所述AI模型中包括运行环境、梯式电池性能数据和单体电池性能数据；建立报警模块，所述报警模块对运行环境、梯式电池性能数据、单体电池性能数据的缺陷进行报警，获取梯式电池的电芯特征值，所述电芯特征值通过所述梯式电池的充放电曲线得到；绘制梯式电池的寿命预测曲线；根据报警模块的运行环境、梯式电池性能数据的报警数据，获取梯式电池报警状态下运行的时间，根据时间计算性能缺失的数值；根据性能缺失的数值重新绘制梯式电池的寿命预测曲线，得到新的寿命预测时间。
Description
技术领域
本发明涉及电池故障诊断技术领域，尤其涉及基于铁锂电池的性能参数融合成AI模型的故障诊断方法。
背景技术
电动汽车以其节能、环保等优点，受到广泛关注。当电动汽车使用的动力电池容量下降到不满足电动汽车续航里程要求时，就需要对动力电池进行退役处理。随着电动汽车市场的日趋繁荣，退役的动力电池的出路问题日渐凸显。电动汽车动力电池容量衰减至80%，因续航能力不足而退役，但经过梯次利用处理，仍可用于基站备电。
在现有的梯次电池的性能检测中，由于是定期定时检测，通常只有在梯次电池的性能衰减到一定程度并造成相应的影响时，才能被检测到，具有一定的滞后性；CN115184831A中国专利文件就公开了一种用于梯次锂电池组的预警方法，该方法通过对梯次电池组中各个梯次电池在过去各个设定时段对应的第一测试数据进行测量，并基于测量得到的第一测试数据，确定梯次电池组中各个梯次电池在过去各个设定时段对应的可用程度，进而基于确定的这些可用程度，利用预测网络对梯次电池在未来下一个设定时段对应的可用程度进行预测，根据预测的可用程度，确定梯次电池组中各个梯次电池在未来下一个设定时段对应的不可用的梯次电池，并进行相应的预警；通过在一设定的时间段内推测下一设定的时间段梯次电池的安全等级，预警时间也受到限制，不能实时对梯次电池的性能等方面做出预警；为此本发明提出铁锂电池的性能参数融合成AI模型的故障诊断方法，将运行环境、梯次梯式电池性能和单体电池性能等通过AI建模，分析出梯次电池的实时性能及其寿命，将梯次电池的预警时间进一步缩短。
发明内容
为了解决上述问题，本发明提出基于铁锂电池的性能参数融合成AI模型的故障诊断方法，以更加确切地解决上述所述的问题。
本发明通过以下技术方案实现的：
本发明提出基于铁锂电池的性能参数融合成AI模型的故障诊断方法，包括：
建立AI模型，所述AI模型中包括运行环境、梯式电池性能数据和单体电池性能数据；
建立报警模块，所述报警模块对运行环境、梯式电池性能数据、单体电池性能数据的缺陷进行报警；
根据AI模型的故障诊断方法包括以下步骤：
S1：获取梯式电池的电芯特征值，所述电芯特征值通过所述梯式电池的充放电曲线得到；
S2：绘制梯式电池的寿命预测曲线；
S3：根据报警模块的运行环境、梯式电池性能数据的报警数据，获取梯式电池报警状态下运行的时间，根据时间计算性能缺失的数值；
S4：根据性能缺失的数值重新绘制梯式电池的寿命预测曲线，得到新的寿命预测时间。
进一步的，所述的基于铁锂电池的性能参数融合成AI模型的故障诊断方法，所述步骤S1中，包括：
根据梯式电池的充放电曲线得到所述梯式电池的充放电参数；
将充放电参数进行处理得到所述电芯特征值。
进一步的，所述的基于铁锂电池的性能参数融合成AI模型的故障诊断方法，所述步骤S2中，包括：
将电芯特征值代入梯式电池的循环寿命曲线中；
设定寿命阈值，在达到寿命阈值前，对该电池进行更换。
进一步的，所述的基于铁锂电池的性能参数融合成AI模型的故障诊断方法，所述步骤S3中，包括：
将报警模块的运行环境、梯式电池性能数据的报警数据输入AI模型X中，
；
是第1种运行环境引起的报警，/>是第m种运行环境引起的报警，/>是第1种梯式电池性能数据引起的报警，/>是第n种梯式电池性能数据引起的报警。
进一步的，所述的基于铁锂电池的性能参数融合成AI模型的故障诊断方法，所述运行环境和梯式电池性能的种类不同，对电芯特征值的影响也不同，设置不同的影响因子，对性能缺失的数值Y进行计算：
；
T是梯式电池报警状态下的时间，k是报警状态下梯式电池的寿命曲线C的斜率。
进一步的，所述的基于铁锂电池的性能参数融合成AI模型的故障诊断方法，所述步骤S1之前，包括：
获取单体电池的单体电芯特征值，所述单体电芯特征值通过所述单体电池的充放电曲线得到；
绘制单体电芯的寿命预测曲线；
根据报警模块的运行环境、单体性能数据的报警数据，获取单体报警状态下运行的时间，根据时间计算性能缺失的数值；
根据性能缺失的数值重新绘制单体的单体电池寿命预测曲线。
进一步的，所述的基于铁锂电池的性能参数融合成AI模型的故障诊断方法，包括：
在AI模型中，输入报警模块的单体运行环境、单体性能数据的报警数据，
；
是第1种单体运行环境引起的报警，/>是第m种单体运行环境引起的报警，是第1种单体电池性能数据引起的报警，/>是第n种单体电池性能数据引起的报警。
进一步的，所述的基于铁锂电池的性能参数融合成AI模型的故障诊断方法，所述单体电池寿命预测曲线与所述梯式电池的充放电曲线成正相关。
一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现任一项所述的基于铁锂电池的性能参数融合成AI模型的故障诊断方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现任一项所述的基于铁锂电池的性能参数融合成AI模型的故障诊断方法的步骤。
本发明的有益效果：
本发明提出的设置AI模型，同时融合运行环境、梯式电池性能数据以及单体电池性能数据等数据，实时计算梯式电池在运行中的电芯特征值，同时根据监控报警分析中的报警信息计算出梯式电池在报警状态下缺失的电芯特征值，再对新得到的电芯特征值进行绘制寿命预测曲线，得到最新的寿命预测时间，实现了可以实时预测梯式电池寿命的目的。
附图说明
图1为本发明的基于铁锂电池的性能参数融合成AI模型的故障诊断方法的流程示意图；
图2为本发明的基于铁锂电池的性能参数融合成AI模型的故障诊断方法一实施例的计算机设备的结构示意图；
图3为本发明的基于铁锂电池的性能参数融合成AI模型的故障诊断方法的运行安全分析重要告警的示意图；
图4为本发明的基于铁锂电池的性能参数融合成AI模型的故障诊断方法的运行安全分析重要告警的示意图；
图5为本发明的基于铁锂电池的性能参数融合成AI模型的故障诊断方法的运行安全分析非重要告警的示意图；
图6为本发明的基于铁锂电池的性能参数融合成AI模型的故障诊断方法的单体电池有电池无续航能力分析的示意图；
图7为本发明的基于铁锂电池的性能参数融合成AI模型的故障诊断方法的单体电池有电池无充电能力分析的示意图；
图8为本发明的基于铁锂电池的性能参数融合成AI模型的故障诊断方法的单体电池有电池即无续航能力又无充电能力分析示意图。
实施方式
为了更加清楚完整的说明本发明的技术方案，下面结合附图对本发明作进一步说明。
请参考图1，本发明提出基于铁锂电池的性能参数融合成AI模型的故障诊断方法；
在本实施方式中提出基于铁锂电池的性能参数融合成AI模型的故障诊断方法，包括：
建立AI模型，所述AI模型中包括运行环境、梯式电池性能数据和单体电池性能数据；
建立报警模块，所述报警模块对运行环境、梯式电池性能数据、单体电池性能数据的缺陷进行报警；
根据AI模型的故障诊断方法包括以下步骤：
S1：获取梯式电池的电芯特征值，所述电芯特征值通过所述梯式电池的充放电曲线得到；
S2：绘制梯式电池的寿命预测曲线；
S3：根据报警模块的运行环境、梯式电池性能数据的报警数据，获取梯式电池报警状态下运行的时间，根据时间计算性能缺失的数值；
S4：根据性能缺失的数值重新绘制梯式电池的寿命预测曲线，得到新的寿命预测时间。
在本实施例中，提出的基于铁锂电池的性能参数融合成AI模型的故障诊断方法应用在通讯铁塔的梯式电池中，梯式电池一般由电动车上容量不足的电池组成，在组成梯式电池的过程中经过挑选配对，其性能基本一致，在挑选的过程中需要对单体电池进行充放电处理，对组装的梯式电池也同样有这个步骤，根据其充放电曲线的特征参数，可以得到梯式电池的电芯特征值，电芯特征值是衡量该梯式电池的性能大小的值，电芯特征值越大，则证明该梯式电池可以使用的寿命越长，可以在梯式电池的出厂商家中得到其在各种环境下的寿命预测曲线，如在正常温度25℃下，梯式电池的寿命可能是工作2000小时，在温度为45℃下，其梯式电池寿命为1500小时，在此可以得到其寿命预测曲线，对应的，在曲线中可以得到的是电芯特征值和时间，在正常工作时，梯式电池的电芯特征值按照不同环境下的曲线下降，在出现故障后，电芯特征值会出现不同于曲线的下降，由此，设置AI模型，电芯特征值根据环境变化、梯式电池性能数据变化进行融合，计算出梯式电池在报警状态下缺失的电芯特征值，再对新得到的电芯特征值进行绘制寿命预测曲线，得到最新的寿命预测时间。
在一具体实施例中，采用AI模型对设于通讯铁塔的梯式电池进行监控报警的过程如下：
第一：运行环境分析：
设置梯式电池的参数标准，基于梯次电池、新铁锂、铅酸电池各类电池应用，及使用合路器混用等各类场景，分别制定充电压、浮充电压、充电限流系统等标准；
基于开关电源设置的均、浮充电压、限流值、电池容量配置、一级低压脱离设定值、二级低压脱离设定值等主要管理参数的配置，结合是否配置合路器等存在铅酸电池混用场景，分析充、放电参数设置是否合理，充电电流是否符合要求；
基于开关电源模块配置、蓄电池性能数据、开关电源性能数据，分析浮充和放电状态下的蓄电池总电压、开关电源直流电压，对蓄电池组是否存在欠充隐患、模块配置不充足的分析判别；
基于开关电源均充、浮充、充电电流、电池配置，分析直流负载总电流与蓄电池总容量的匹配关系，评判梯式电池配置是否存在配置冗余、配置不足等现象；
基于停电10分钟以上，放电深度超30%，检测开关电源性能数据、锂电池充电电压等，判断电池深度放电后开关电源是否自动启动均充进行充电，电池的充电电压是否与开关电源保持两步，电压抬升至56.4V，评判具备均充有效。
第二：有效监控分析；
实时性能与信号量缺失分析（现有规则）；
性能缺失：任一设备在判断周期内无任何一条性能数据（实时性能查询不到）；
信号量缺失：任一关键信号量在判断周期内无任何一条数据，具体信号量指：电池温度、充电过流告警、总压过压告警、总压欠压告警、电池组总电压、放电过流告警。
基于梯次电池单体电压数据，分析单体电压是否缺失或为零，或数据未变化，而当前监控显示正常。
基于电池性能数据，对比各参数的告警阀值，实时监测性能数据超告警阀限值，但运维监控系统未出告警，如电池单体电压超阀值未出告警。
基站梯次电池性能数据，可用容量或剩余可用容量超电池额定容量一定比值，判定梯次电池性能是否异常。
第三：运行安全分析；
1、重要（一、二级）告警派单限时复核；
如图3和图4所示：基于现有监控隐患工单体系，提取规定时限内的已回复工单，实时提取电池性能数据与回复工单进行分析比对，故障恢复回复，得出工单有效回复情况；
2、如图5所示，非重要告警（三、四级告警）限时未恢复派单，同时参照上面（重要（一、二级）告警派单限时复核）需对派发工单进行复核，是否恢复，避免重复工单，防范运行安全。
3、非停电状态，单体电压低于2V，立即派单上站。
基于各组电池的单体电压实测数据，比较分析单体压差，分梯次、新铁锂电池，分供应商智能分析单体之间电压差，依据可用容量电池中最大的电压差为标杆，超越标杆值为异常，标杆值最大不超过1V；此类告警工单视为一级告警，立项派单。
进行有电池无续航能力分析；如图6所示：基于蓄电池有效监控的在性能数据、告警数据分析，评估电池的放电能力，结合剩余可用容量与负载电流综合评估续航能力。
进行有电池无充电能力分析；如图7所示：基于蓄电池有效监控的在性能数据、告警数据分析，评估电池是否欠充、是否具备充电能力，提供整治建议等。进行有电池即无续航能力又无充电能力分析，如图8所示：基于蓄电池有效监控的在性能数据、告警数据分析，评估电池的放电能力，结合剩余可用容量与负载电流综合评估续航能力。
第四：AI核算可用容量与健康；
充/放容量异常分析；
基于蓄电池在放、充电状态下的性能数据，对放电阶段的总放出容量和充电阶段的总充入容量进行测算，评估蓄电池充入/放出容量是否存在异常的现象，可有效分析蓄电池是否存在欠充或过充现象。
电池可用容量或剩余容量分析；
基于电池额定容量、剩余容量，评估电池可用容量比=剩余容量/额定容量,依据地市、分供应商、类型、是否过保等分类报告电池质量。
远程计量核容；
系统自动下调浮充电压，实时记录放电电压、电流，分析电流可用容量与实时可用容量进行分析对比。实时记录充电电压、电流，分析充电及放电功率对比差异，同时分析充电电压是否合理。
被动核容分析；
基于实时运维监控系统中的交流停电告警，按照一定频次实时记录放电电压、电流，计算并输出电池已放出容量，依拖大数该供应商的放电曲线（电压与放出比例），根据当前放电深度及已放电容量与电压的关系，推算可用容量及续航时长。
主动核容分析；
人工发启核容需求，系统自动调整开关电源的浮充电压，检测电池的实时放电电压、电流，判定是否放电有效，系统按照一定频次实时记录放电电压、电流，计算并输出电池已放出容量，依拖大数该供应商的放电曲线（电压与放出比例），根据当前放电深度及已放电容量与电压的关系，推算可用容量及续航时长。
历史停电分析；
基于运维监控系统中的交流输入停电告警、一级低压脱离告警、停电后的电池放电电流等锂电池的性能数据，根据性能数据分析出基站的单次锂电池备电时长，同时需根据告警告警时长、性能数据质量优劣等因素，综合分析电池可用容量。
在一个实施例中，所述步骤S1中，包括：
根据梯式电池的充放电曲线得到所述梯式电池的充放电参数；
将充放电参数进行处理得到所述电芯特征值。
在一个实施例中，所述步骤S2中，包括：
将电芯特征值代入梯式电池的循环寿命曲线中；
设定寿命阈值，在达到寿命阈值前，对该电池进行更换。
在一个实施例中，所述步骤S3中，包括：
将报警模块的运行环境、梯式电池性能数据的报警数据输入AI模型X中，
；
是第1种运行环境引起的报警，/>是第m种运行环境引起的报警，/>是第1种梯式电池性能数据引起的报警，/>是第n种梯式电池性能数据引起的报警。
所述运行环境和梯式电池性能的种类不同，对电芯特征值的影响也不同，设置不同的影响因子，对性能缺失的数值Y进行计算：
；
T是梯式电池报警状态下的时间，k是报警状态下梯式电池的寿命曲线C的斜率。
在本实施例中，梯式电池在报警状态下会存在性能缺陷，一般分为运行环境影响和梯式电池的性能数据影响，以此为例，AI模型将监控到的报警信息进行归类分档，同时可以监控其报警状态运行的时间，从而对性能缺失的数值进行计算，在此，运行环境影响一般为环境温度、湿度等因素；性能数据影响一般为充放电电压、梯式电池本身的性能参数等；以运行环境影响为例：设一梯式电池在正常25℃环境中的可运行时间为：2000小时；在触发电芯充电高温保护一级警告长达10小时，经核实电芯温度与环境温度相差10℃之内，采取的措施是仅需保持关注，持续12h及以上未消，需派单上站处理，在报警转态的10小时内，由于温度过高，该梯式电池进行充放电的运行时，电池容量的衰退也会变得更快，导致电芯特征值快速减小，减少该梯式电池的使用寿命，通过设置环境对梯式电池的影响因子，每一个不同的影响梯式电池寿命的因素具有不同的影响因子/>，并根据其时间计算性能缺失的数值，在此，k是报警状态下梯式电池的寿命曲线C的斜率，其寿命曲线是在报警状态的运行环境或性能数据缺陷中运行的寿命曲线，梯式电池在65℃下一直运行的寿命曲线。
值得说明的时，在上述实施例中提到电池容量的衰退也会变得更快，导致电芯特征值快速减小，电芯特征值不仅仅代表电池容量这一个电池性能参数，还包括：材料性能等可以决定电池寿命的重要性能参数，电芯特征值是根据该梯式电池的衰退性能最大的性能参数，如：若一梯式电池的容量可支持的充放电次数剩余10000次，但是其负极材料仅能支持8000次的充放电次数，由此可知，应以负极材料的性能参数处理成该梯式电池的电芯特征值。
进一步的，所述步骤S1之前，包括：
获取单体电池的单体电芯特征值，所述单体电芯特征值通过所述单体电池的充放电曲线得到；
绘制单体电芯的寿命预测曲线；
根据报警模块的运行环境、单体性能数据的报警数据，获取单体报警状态下运行的时间，根据时间计算性能缺失的数值；
根据性能缺失的数值重新绘制单体的单体电池寿命预测曲线。
所述单体电池寿命预测曲线与所述梯式电池的充放电曲线成正相关。
在AI模型中，输入报警模块的单体运行环境、单体性能数据的报警数据，
；
是第1种单体运行环境引起的报警，/>是第m种单体运行环境引起的报警，是第1种单体电池性能数据引起的报警，/>是第n种单体电池性能数据引起的报警。
在本实施例中，单体电池作为梯式电池的组成部分，单体电池的性能数据也代表了梯式电池的性能数据，由此，将单体电池性能数据融入AI模型中，实现对单体电池的监控报警，其监控报警的步骤基本与梯式电池一致。
参照图2，本申请实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图2所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于电芯特征值等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现基于铁锂电池的性能参数融合成AI模型的故障诊断方法。
本领域技术人员可以理解，图2中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定。
本申请一实施例还提供一种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实现基于铁锂电池的性能参数融合成AI模型的故障诊断方法的步骤，具体为：
S1：获取梯式电池的电芯特征值，所述电芯特征值通过所述梯式电池的充放电曲线得到；
S2：绘制梯式电池的寿命预测曲线；
S3：根据报警模块的运行环境、梯式电池性能数据的报警数据，获取梯式电池报警状态下运行的时间，根据时间计算性能缺失的数值；
S4：根据性能缺失的数值重新绘制梯式电池的寿命预测曲线，得到新的寿命预测时间。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储与一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM通过多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双速据率SDRAM（SSRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink）DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
需要说明的是，在本申请中，术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本申请的专利保护范围内。
尽管已经示出和描述了本申请的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本申请的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本申请的范围由所附权利要求及其等同物限定。
当然，本发明还可有其它多种实施方式，基于本实施方式，本领域的普通技术人员在没有做出任何创造性劳动的前提下所获得其他实施方式，都属于本发明所保护的范围。
Claims (8)
1.基于铁锂电池的性能参数融合成AI模型的故障诊断方法，其特征在于，包括：
建立AI模型，所述AI模型中包括运行环境、梯式电池性能数据和单体电池性能数据；
建立报警模块，所述报警模块对运行环境、梯式电池性能数据、单体电池性能数据的缺陷进行报警；
根据AI模型的故障诊断方法包括以下步骤：
S1：获取梯式电池的电芯特征值，所述电芯特征值通过所述梯式电池的充放电曲线得到；
S2：绘制梯式电池的寿命预测曲线；
S3：根据报警模块的运行环境、梯式电池性能数据的报警数据，获取梯式电池报警状态下运行的时间，根据时间计算性能缺失的数值；
S4：根据性能缺失的数值重新绘制梯式电池的寿命预测曲线，得到新的寿命预测时间；
在S3中将报警模块的运行环境、梯式电池性能数据的报警数据输入AI模型X中，
；
是第1种运行环境引起的报警，/>是第m种运行环境引起的报警，/>是第1种梯式电池性能数据引起的报警，/>是第n种梯式电池性能数据引起的报警；
所述运行环境和梯式电池性能的种类不同，对电芯特征值的影响也不同，设置不同的影响因子，对性能缺失的数值Y进行计算：
；
T是梯式电池报警状态下的时间，k是报警状态下梯式电池的寿命曲线C的斜率。
2.根据权利要求1所述的基于铁锂电池的性能参数融合成AI模型的故障诊断方法，其特征在于，所述步骤S1中，包括：
根据梯式电池的充放电曲线得到所述梯式电池的充放电参数；
将充放电参数进行处理得到所述电芯特征值。
3.根据权利要求1所述的基于铁锂电池的性能参数融合成AI模型的故障诊断方法，其特征在于，所述步骤S2中，包括：
将电芯特征值代入梯式电池的循环寿命曲线中；
设定寿命阈值，在达到寿命阈值前，对该电池进行更换。
4.根据权利要求1所述的基于铁锂电池的性能参数融合成AI模型的故障诊断方法，其特征在于，所述步骤S1之前，包括：
获取单体电池的单体电芯特征值，所述单体电芯特征值通过所述单体电池的充放电曲线得到；
绘制单体电芯的寿命预测曲线；
根据报警模块的运行环境、单体性能数据的报警数据，获取单体报警状态下运行的时间，根据时间计算性能缺失的数值；
根据性能缺失的数值重新绘制单体的单体电池寿命预测曲线。
5.根据权利要求4所述的基于铁锂电池的性能参数融合成AI模型的故障诊断方法，其特征在于，包括：
在AI模型中，输入报警模块的单体运行环境、单体性能数据的报警数据，
；
是第1种单体运行环境引起的报警，/>是第m种单体运行环境引起的报警，/>是第1种单体电池性能数据引起的报警，/>是第n种单体电池性能数据引起的报警。
6.根据权利要求4所述的基于铁锂电池的性能参数融合成AI模型的故障诊断方法，其特征在于，所述单体电池寿命预测曲线与所述梯式电池的充放电曲线成正相关。
7.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6任一项所述的基于铁锂电池的性能参数融合成AI模型的故障诊断方法的步骤。
8.一种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权利要求1至6任一项所述的基于铁锂电池的性能参数融合成AI模型的故障诊断方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310857284.5A CN116593902B (zh) | 2023-07-13 | 2023-07-13 | 基于铁锂电池的性能参数融合成ai模型的故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310857284.5A CN116593902B (zh) | 2023-07-13 | 2023-07-13 | 基于铁锂电池的性能参数融合成ai模型的故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116593902A true CN116593902A (zh) | 2023-08-15 |
| CN116593902B CN116593902B (zh) | 2023-10-31 |
Family
ID=87594076
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310857284.5A Active CN116593902B (zh) | 2023-07-13 | 2023-07-13 | 基于铁锂电池的性能参数融合成ai模型的故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116593902B (zh) |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5888665A (en) * | 1995-06-07 | 1999-03-30 | California Institute Of Technology | LaNi5 is-based metal hydride electrode in Ni-MH rechargeable cells |
| US20140289852A1 (en) * | 2013-03-21 | 2014-09-25 | General Electric Company | Systems and methods for remote monitoring, security, diagnostics, and prognostics |
| CN106058987A (zh) * | 2016-06-29 | 2016-10-26 | 浙江万马新能源有限公司 | 基于蓄电池组监控与故障诊断的电动汽车充电方法及装置 |
| CN106772100A (zh) * | 2017-02-06 | 2017-05-31 | 联想(北京)有限公司 | 一种预测电池寿命的方法及装置 |
| CN109583794A (zh) * | 2018-12-29 | 2019-04-05 | 哈尔滨工业大学 | 一种确定电梯报废时间的方法 |
| CN110224192A (zh) * | 2019-05-30 | 2019-09-10 | 安徽巡鹰新能源科技有限公司 | 一种梯次利用动力电池寿命预测方法 |
| CN110654948A (zh) * | 2018-06-29 | 2020-01-07 | 哈尔滨工业大学 | 一种无维保情况下的电梯安全剩余使用寿命确定方法 |
| CN111596212A (zh) * | 2020-06-08 | 2020-08-28 | 上海理工大学 | 一种基于电化学变量监测的电池内部故障诊断方法及装置 |
| CN112014745A (zh) * | 2020-08-27 | 2020-12-01 | 洛阳理工学院 | 一种针对动力电池的三级故障诊断方法 |
| CN112765772A (zh) * | 2020-12-25 | 2021-05-07 | 武汉理工大学 | 一种基于数据驱动的动力电池剩余寿命预测方法 |
| CN113311344A (zh) * | 2021-04-06 | 2021-08-27 | 国网江苏省电力有限公司南京供电分公司 | 适用于梯次利用的锂离子电池的热故障诊断方法及系统 |
| KR20220012534A (ko) * | 2020-07-23 | 2022-02-04 | 주식회사 휴네이트 | 차량 시계열 데이터를 이용한 차량 배터리 수명 예측 시스템 및 방법 |
| KR102397652B1 (ko) * | 2021-06-29 | 2022-05-13 | 지엘홀딩스 주식회사 | 가변 주파수를 이용한 연료전지 고장 진단 시스템 및 이를 이용한 진단 방법 |
| CN115015769A (zh) * | 2022-08-10 | 2022-09-06 | 深圳市杰成镍钴新能源科技有限公司 | 动力电池残值估算方法、装置、设备及介质 |
| CN115184831A (zh) * | 2022-09-13 | 2022-10-14 | 南通云锦微电子科技有限公司 | 用于梯次锂电池组的预警方法 |
| WO2023033002A1 (ja) * | 2021-08-31 | 2023-03-09 | 株式会社ラプラス・システム | 太陽電池モジュールの故障診断方法及びプログラム |
| US20230140727A1 (en) * | 2021-11-04 | 2023-05-04 | Samsung Electronics Co., Ltd. | Method and electronic device for evaluating remaining useful life (rul) of battery |
-
2023
- 2023-07-13 CN CN202310857284.5A patent/CN116593902B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5888665A (en) * | 1995-06-07 | 1999-03-30 | California Institute Of Technology | LaNi5 is-based metal hydride electrode in Ni-MH rechargeable cells |
| US20140289852A1 (en) * | 2013-03-21 | 2014-09-25 | General Electric Company | Systems and methods for remote monitoring, security, diagnostics, and prognostics |
| CN106058987A (zh) * | 2016-06-29 | 2016-10-26 | 浙江万马新能源有限公司 | 基于蓄电池组监控与故障诊断的电动汽车充电方法及装置 |
| CN106772100A (zh) * | 2017-02-06 | 2017-05-31 | 联想(北京)有限公司 | 一种预测电池寿命的方法及装置 |
| CN110654948A (zh) * | 2018-06-29 | 2020-01-07 | 哈尔滨工业大学 | 一种无维保情况下的电梯安全剩余使用寿命确定方法 |
| CN109583794A (zh) * | 2018-12-29 | 2019-04-05 | 哈尔滨工业大学 | 一种确定电梯报废时间的方法 |
| CN110224192A (zh) * | 2019-05-30 | 2019-09-10 | 安徽巡鹰新能源科技有限公司 | 一种梯次利用动力电池寿命预测方法 |
| CN111596212A (zh) * | 2020-06-08 | 2020-08-28 | 上海理工大学 | 一种基于电化学变量监测的电池内部故障诊断方法及装置 |
| KR20220012534A (ko) * | 2020-07-23 | 2022-02-04 | 주식회사 휴네이트 | 차량 시계열 데이터를 이용한 차량 배터리 수명 예측 시스템 및 방법 |
| CN112014745A (zh) * | 2020-08-27 | 2020-12-01 | 洛阳理工学院 | 一种针对动力电池的三级故障诊断方法 |
| CN112765772A (zh) * | 2020-12-25 | 2021-05-07 | 武汉理工大学 | 一种基于数据驱动的动力电池剩余寿命预测方法 |
| CN113311344A (zh) * | 2021-04-06 | 2021-08-27 | 国网江苏省电力有限公司南京供电分公司 | 适用于梯次利用的锂离子电池的热故障诊断方法及系统 |
| KR102397652B1 (ko) * | 2021-06-29 | 2022-05-13 | 지엘홀딩스 주식회사 | 가변 주파수를 이용한 연료전지 고장 진단 시스템 및 이를 이용한 진단 방법 |
| WO2023033002A1 (ja) * | 2021-08-31 | 2023-03-09 | 株式会社ラプラス・システム | 太陽電池モジュールの故障診断方法及びプログラム |
| US20230140727A1 (en) * | 2021-11-04 | 2023-05-04 | Samsung Electronics Co., Ltd. | Method and electronic device for evaluating remaining useful life (rul) of battery |
| CN115015769A (zh) * | 2022-08-10 | 2022-09-06 | 深圳市杰成镍钴新能源科技有限公司 | 动力电池残值估算方法、装置、设备及介质 |
| CN115184831A (zh) * | 2022-09-13 | 2022-10-14 | 南通云锦微电子科技有限公司 | 用于梯次锂电池组的预警方法 |
Non-Patent Citations (1)
| Title |
|---|
| 王宁等: "锂离子电池寿命预测综述", 电器与能效管理技术, pages 1 - 13 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116593902B (zh) | 2023-10-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6635743B2 (ja) | 蓄電池保全装置、及び、蓄電池保全方法 | |
| CN110376530B (zh) | 电池内短路检测装置及方法 | |
| 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 | |
| CN109406929B (zh) | 变电站蓄电池组内部开路在线监测报警装置 | |
| CN112098850B (zh) | 基于sdo算法的锂离子电池电压故障诊断方法及系统 | |
| CN104466278A (zh) | 一种电池在线检测、修复及评估的方法 | |
| CN105629172A (zh) | 一种混合蓄电池故障检测的方法及装置 | |
| CN111430825A (zh) | 锂电池的内短路处理方法和装置 | |
| CN110988723B (zh) | 一种基于lstm的电池内阻预测及故障预警方法 | |
| CN111873852B (zh) | 一种动力电池自放电监测方法及装置、车辆、存储介质 | |
| CN112644336B (zh) | 一种动力电池热失控预测方法及装置 | |
| CN115954989A (zh) | 一种储能电站运行监测管理系统 | |
| CN115166555A (zh) | 一种电池大数据平台电池模块内阻异常识别方法及系统 | |
| CN111460656A (zh) | 一种电力机房通信电源运行寿命评估方法和系统 | |
| CN116593902B (zh) | 基于铁锂电池的性能参数融合成ai模型的故障诊断方法 | |
| KR102363397B1 (ko) | 2차 전지 재활용 플랫폼 장치 및 이를 이용한 2차 전지 재활용 방법 | |
| JP6171896B2 (ja) | 二次電池の検査方法 | |
| CN115980596B (zh) | 一种在线检测动力电池内短路的方法 | |
| CN214011456U (zh) | 一种用于直流电源系统的维护装置 | |
| KR102658099B1 (ko) | 전압 평탄 구간을 갖는 배터리를 위한 배터리 관리 장치 및 이의 제어 방법 | |
| CN116087782B (zh) | 一种汽车电池故障预警方法、系统、装置及存储介质 | |
| Xiong et al. | A novel thermal runaway warning method of lithium-ion batteries | |
| KR20230040607A (ko) | 화재 예방 기능을 구비한 배터리 모듈 및 배터리 모듈 화재 예방 방법 | |
| CN117375158A (zh) | 一种车用退役电池包梯次储能系统的智能运维方法及系统 | |
| CN117092527A (zh) | 用于确定电池自放电的方法和系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |