CN116736140B - 基于储能量自检测的储能式极速充故障监测方法及系统 - Google Patents
基于储能量自检测的储能式极速充故障监测方法及系统 Download PDFInfo
- Publication number
- CN116736140B CN116736140B CN202310987875.4A CN202310987875A CN116736140B CN 116736140 B CN116736140 B CN 116736140B CN 202310987875 A CN202310987875 A CN 202310987875A CN 116736140 B CN116736140 B CN 116736140B
- Authority
- CN
- China
- Prior art keywords
- data
- insulation resistance
- voltage
- battery
- energy storage
- 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
Landscapes
- Secondary Cells (AREA)
Abstract
本发明公开了基于储能量自检测的储能式极速充故障监测方法及系统,方法包括数据采集、数据预处理、建立基于模糊逻辑的自适应绝缘电阻预测模型、计算电池单元的局部合力、计算电池单元基于豪斯多夫距离HD的修正Z分数和故障监测及定位。本发明属于电池技术领域,具体是指基于储能量自检测的储能式极速充故障监测方法及系统,本方案采用基于模糊逻辑函数计算电压误差和误差变化率从而更新遗忘因子和滤波器增益增加算法自适应性;量化电池单元的终端电压,转化为相对的标准分数,增强对电压变化的敏感性和准确性;采用基于豪斯多夫距离HD与整体平均值和方差的比较修正评估不足的问题,并通过计算修正Z分数,准确定位故障的电池单元。
Description
技术领域
本发明涉及电池技术领域,具体是指基于储能量自检测的储能式极速充故障监测方法及系统。
背景技术
线路老化、雨水侵蚀等环境因素会导致电池运行故障,因此,有效、及时的电池故障监测对系统的安全运行至关重要。但是现有的故障监测方法存在对于过程噪声和测量噪声难以确定,导致算法适应性差,鲁棒性弱,从而使监测效果差,监测效率低的问题;存在仅关注电池单元个体而忽视整个电池组,导致对整个电池组电压变化的敏感性和准确性降低,从而使故障诊断率降低的问题;存在由于电池单元的多样性导致评估结果可靠性弱,从而导致对电池单元异常情况判断错误的问题。
发明内容
针对上述情况,为克服现有技术的缺陷,本发明提供了基于储能量自检测的储能式极速充故障监测方法及系统,针对现有的故障监测方法存在对于过程噪声和测量噪声难以确定,导致算法适应性差,鲁棒性弱,从而使监测效果差,监测效率低的问题,本方案采用通过基于模糊逻辑函数计算电压误差和误差变化率从而更新遗忘因子和滤波器增益,增加算法自适应性,基于滑动窗口和平均误差变化率平滑噪声和突变数据增加算法鲁棒性;针对存在仅关注电池单元个体而忽视整个电池组,导致对整个电池组电压变化的敏感性和准确性降低,从而使故障诊断率降低的问题,本方案采用综合考虑多个电池单元的电压变化,量化电池单元的终端电压,转化为相对的标准分数,增强对电压变化的敏感性和准确性;针对存在由于电池单元的多样性导致评估结果可靠性弱,从而导致对电池单元异常情况判断错误的问题,本方案采用基于豪斯多夫距离HD与整体平均值和方差的比较修正评估不足的问题,并通过计算修正Z分数,准确定位故障的电池单元。
本发明采取的技术方案如下:本发明提供的基于储能量自检测的储能式极速充故障监测方法,该方法包括以下步骤:
步骤S1:数据采集;
步骤S2:数据预处理,通过消除重复数据、极端电压消除和根据缺失情况的不同进行缺少数据处理从而对数据进行预处理;
步骤S3:建立基于模糊逻辑的自适应绝缘电阻预测模型,基于网络环法建立方程,通过计算电压误差e、电压误差的均值绝对值E和均误差变化率ΔE并基于模糊逻辑函数对遗忘因子更新;通过计算滤波器增益K和协方差矩阵P更新参数矩阵,并基于估计误差阈值建立基于模糊逻辑的自适应绝缘电阻预测模型;
步骤S4:计算电池单元的局部合力,通过递归计算电池各单元的电压均值和标准差从而计算一个时间窗内电压的标准分数,最后计算一个电池相对于其他电池的局部合力;
步骤S5:计算电池单元基于豪斯多夫距离HD的修正Z分数,通过计算HD平均值和标准差计算各电池单元的修正Z分数;
步骤S6:故障监测及定位,基于电池组的绝缘电阻判断电池组是否运行正常,基于电池单元的局部合力判断电池单元是否运行正常,基于修正Z分数定位运行异常的电池单元。
进一步地,在步骤S1中,所述数据采集是引入移动窗口MW按时间序列采集电池组的历史运行数据及对应标签,所述历史运行数据包括电池组的工作参数和绝缘电阻,所述对应标签包括运行正常和运行异常,建立基于模糊逻辑的自适应绝缘电阻预测模型时,绝缘电阻数据仅用于与参数矩阵Θ的绝缘电阻估计值比较。
进一步地,在步骤S2中,所述数据预处理具体包括以下内容:
步骤S21:消除重复数据,若存在两个相邻的行具有相同的数,被认为是重复记录,删除后一行;
步骤S22:极端电压消除,预设电压范围为2.5V-4.5V,若电压数据超出范围,删除该采样时刻的所有数据;
步骤S23:缺少数据处理,根据缺失情况的不同,处理方法如下:
步骤S231:若连续1分钟内采样数据缺失,预先设有采样时间为10s,当连续6个连续采样点数据缺失,删除缺失时间内的数据;
步骤S232:当连续3个数据缺失时,删除该采样点的所有数据;当数据不连续缺失或只有两个数据连续缺失时,采用相邻单元平均值插值法进行缺失值插值。
进一步地,在步骤S3中,所述建立基于模糊逻辑的自适应绝缘电阻预测模型是信号源Ug产生一个低频交流方波信号Vg,即通过底盘注入电池组,在采样电阻Rs上形成反馈电压Vs,计算电池组的绝缘电阻,具体包括以下步骤;
步骤S31:初始化,具体包括:
步骤S311:基于网络环法建立如下方程:
;
式中,Rl1和Rl2是限流电阻,Vb是电池组电压,I1和I2是回路电流,电流方向为顺时针方向,Ri为绝缘电阻;
步骤S312:定义如下公式:
;
式中,y是反馈信号的绝对值,Ri是绝缘电阻值,R是电池组的内部电阻,Θ和Φ分别表示参数矩阵和输入矩阵;
步骤S32:计算电压误差e,所用公式如下:
;
式中,k是第k时刻;
步骤S33:计算电压误差的均值绝对值E,作为模糊逻辑的一个输入,所用公式如下:
;
式中,j是索引,N表示滑动窗口的大小;
步骤S34:计算平均误差变化率ΔE,所用公式如下:
;
式中,M是步长;
步骤S35:更新遗忘因子λ,预先设有初始遗忘因子λ0,E、ΔE和Δλ的模糊域被设置为[-0.005,0.005]、[-0.001,0.001]和[-0.02,-0.005],所用公式如下:
;
;
式中,fuzzy()是模糊逻辑函数,∆λ是遗忘因子校正;
步骤S36:计算滤波器增益K和协方差矩阵P,所用公式如下:
;
;
步骤S37:更新参数矩阵,所用公式如下:
Θ(k)=Θ(k-1)+K(k)e(k);
步骤S38:计算绝缘电阻,预先设有估计误差阈值,信号源Vg在测量负侧绝缘故障时注入负电压,反馈信号Vs为负值,信号源Vg在测量正侧绝缘故障时注入正电压,反馈信号Vs为正值,当参数矩阵Θ的绝缘电阻估计值与实际绝缘电阻值的误差低于估计误差阈值时,计算并输出绝缘电阻,基于模糊逻辑的自适应绝缘电阻预测模型建立完成,所用公式如下:
;
式中,Ri是电池组的正负极的绝缘电阻,p和n分别是电池组的正负极,R是电池组的内部电阻。
进一步地,在步骤S4中,所述计算电池单元的局部合力具体包括以下步骤:
步骤S41:递归计算电池各单元的电压均值和标准差,所用公式如下:
;
;
;
式中,vi(k)是第i单元在k时刻的终端电压,v̅为是各单元电压的平均值,σ是各单元电压的标准差,θi(k)是方差;
步骤S42:计算一个时间窗内电压的标准分数,所用公式如下:
;
式中,zi(k)是第i单元在k时刻的标准分数;
步骤S43:计算一个电池相对于其他电池的局部合力,所用公式如下:
;
式中,Fi,n(k)是第i个电池相对于其他n个电池在k时刻的局部合力,j是其他n个电池的索引。
进一步地,在步骤S5中,所述计算电池单元基于豪斯多夫距离HD的修正Z分数具体包括以下步骤:
步骤S51:计算HD平均值,所用公式如下:
;
式中,HDi是电池单元i的电压集合与中位数电压集合之间的HD,HDmax是所有HD值中的最大值;
步骤S52:计算HD标准差,所用公式如下:
;
步骤S53:计算各电池单元的修正Z分数,所用公式如下:
。
进一步地,在步骤S6中,所述故障监测及定位是基于历史数据标签预先设有绝缘电阻阈值和局部合力阈值,实时采集电池运行数据,当电池组的绝缘电阻高于绝缘电阻阈值时,电池组运行异常;当电池单元的局部合力高于局部合力阈值时,电池单元运行异常;基于修正的Z分数确定运行异常的电池单元。
本发明提供的基于储能量自检测的储能式极速充故障监测系统,包括数据采集模块、数据预处理模块、自适应绝缘电阻预测模块、局部合力模块、修正Z分数模块和故障监测及定位模块;
所述数据采集模块采集电池组的历史运行数据及对应标签,将采集的数据发送至数据预处理模块;
所述数据预处理模块接收数据采集模块发送的数据,通过消除重复数据、极端电压消除和根据缺失情况的不同进行缺少数据处理从而对数据进行预处理,并将数据发送至自适应绝缘电阻预测模块;
所述自适应绝缘电阻预测模块接收数据预处理模块发送的数据,基于网络环法建立方程,通过计算电压误差e、电压误差的均值绝对值E和均误差变化率ΔE并基于模糊逻辑函数对遗忘因子更新;通过计算滤波器增益K和协方差矩阵P更新参数矩阵,并基于估计误差阈值建立基于模糊逻辑的自适应绝缘电阻预测模型,并将数据发送至局部合力模块和故障监测及定位模块;
所述局部合力模块接收自适应绝缘电阻预测模块发送的数据,通过递归计算电池各单元的电压均值和标准差从而计算一个时间窗内电压的标准分数,最后计算一个电池相对于其他电池的局部合力并将数据发送至修正Z分数模块和故障监测及定位模块;
所述修正Z分数模块接收局部合力模块发送的数据,通过计算HD平均值和标准差计算各电池单元的修正Z分数,并将数据发送至故障监测及定位模块;
所述故障监测及定位模块接收自适应绝缘电阻预测模块、局部合力模块和修正Z分数模块发送的数据,基于电池组的绝缘电阻判断电池组是否运行正常,基于电池单元的局部合力判断电池单元是否运行正常,基于修正Z分数定位运行异常的电池单元。
采用上述方案本发明取得的有益效果如下:
(1)针对现有的故障监测方法存在对于过程噪声和测量噪声难以确定,导致算法适应性差,鲁棒性弱,从而使监测效果差,监测效率低的问题,本方案采用通过基于模糊逻辑函数计算电压误差和误差变化率从而更新遗忘因子和滤波器增益,增加算法自适应性,基于滑动窗口和平均误差变化率平滑噪声和突变数据增加算法鲁棒性。
(2)针对存在仅关注电池单元个体而忽视整个电池组,导致对整个电池组电压变化的敏感性和准确性降低,从而使故障诊断率降低的问题,本方案采用综合考虑多个电池单元的电压变化,量化电池单元的终端电压,转化为相对的标准分数,增强对电压变化的敏感性和准确性。
(3)针对存在由于电池单元的多样性导致评估结果可靠性弱,从而导致对电池单元异常情况判断错误的问题,本方案采用基于豪斯多夫距离HD与整体平均值和方差的比较修正评估不足的问题,并通过计算修正Z分数,准确定位故障的电池单元。
附图说明
图1为本发明提供的基于储能量自检测的储能式极速充故障监测方法的流程示意图;
图2为本发明提供的基于储能量自检测的储能式极速充故障监测系统的示意图;
图3为步骤S3的流程示意图;
图4为步骤S6的判定流程示意图。
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。
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做出创造性劳动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。
在本发明的描述中,需要理解的是,术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
实施例一,参阅图1,本发明提供的基于储能量自检测的储能式极速充故障监测方法,该方法包括以下步骤:
步骤S1:数据采集;
步骤S2:数据预处理,通过消除重复数据、极端电压消除和根据缺失情况的不同进行缺少数据处理从而对数据进行预处理;
步骤S3:建立基于模糊逻辑的自适应绝缘电阻预测模型,基于网络环法建立方程,通过计算电压误差e、电压误差的均值绝对值E和均误差变化率ΔE并基于模糊逻辑函数对遗忘因子更新;通过计算滤波器增益K和协方差矩阵P更新参数矩阵,并基于估计误差阈值建立基于模糊逻辑的自适应绝缘电阻预测模型;
步骤S4:计算电池单元的局部合力,通过递归计算电池各单元的电压均值和标准差从而计算一个时间窗内电压的标准分数,最后计算一个电池相对于其他电池的局部合力;
步骤S5:计算电池单元基于豪斯多夫距离HD的修正Z分数,通过计算HD平均值和标准差计算各电池单元的修正Z分数;
步骤S6:故障监测及定位,基于电池组的绝缘电阻判断电池组是否运行正常,基于电池单元的局部合力判断电池单元是否运行正常,基于修正Z分数定位运行异常的电池单元。
实施例二,参阅图1,该实施例基于上述实施例,在步骤S1中,引入移动窗口MW按时间序列采集电池组的历史运行数据及对应标签,所述历史运行数据包括电池组的工作参数和绝缘电阻,所述对应标签包括运行正常和运行异常,建立基于模糊逻辑的自适应绝缘电阻预测模型时,绝缘电阻数据仅用于与参数矩阵Θ的绝缘电阻估计值比较。
实施例三,参阅图1,该实施例基于上述实施例,进一步地,在步骤S2中,数据预处理具体包括以下内容:
步骤S21:消除重复数据,若存在两个相邻的行具有相同的数,被认为是重复记录,删除后一行;
步骤S22:极端电压消除,预设电压范围为2.5V-4.5V,若电压数据超出范围,删除该采样时刻的所有数据;
步骤S23:缺少数据处理,根据缺失情况的不同,处理方法如下:
步骤S231:若连续1分钟内采样数据缺失,预先设有采样时间为10s,当连续6个连续采样点数据缺失,删除缺失时间内的数据;
步骤S232:当连续3个数据缺失时,删除该采样点的所有数据;当数据不连续缺失或只有两个数据连续缺失时,采用相邻单元平均值插值法进行缺失值插值。
实施例四,参阅图1和图3,该实施例基于上述实施例,在步骤S3中,信号源Ug产生一个低频交流方波信号Vg,即通过底盘注入电池组,在采样电阻Rs上形成反馈电压Vs,计算电池组的绝缘电阻,具体包括以下步骤;
步骤S31:初始化,具体包括:
步骤S311:基于网络环法建立如下方程:
;
式中,Rl1和Rl2是限流电阻,Vb是电池组电压,I1和I2是回路电流,电流方向为顺时针方向,Ri为绝缘电阻;
步骤S312:定义如下公式:
;
式中,y是反馈信号的绝对值,Ri是绝缘电阻值,R是电池组的内部电阻,Θ和Φ分别表示参数矩阵和输入矩阵;
步骤S32:计算电压误差e,所用公式如下:
;
式中,k是第k时刻;
步骤S33:计算电压误差的均值绝对值E,作为模糊逻辑的一个输入,所用公式如下:
;
式中,j是索引,N表示滑动窗口的大小;
步骤S34:计算平均误差变化率ΔE,所用公式如下:
;
式中,M是步长;
步骤S35:更新遗忘因子λ,预先设有初始遗忘因子λ0,E、ΔE和Δλ的模糊域被设置为[-0.005,0.005]、[-0.001,0.001]和[-0.02,-0.005],所用公式如下:
;
;
式中,fuzzy()是模糊逻辑函数,∆λ是遗忘因子校正;
步骤S36:计算滤波器增益K和协方差矩阵P,所用公式如下:
;
;
步骤S37:更新参数矩阵,所用公式如下:
Θ(k)=Θ(k-1)+K(k)e(k);
步骤S38:计算绝缘电阻,预先设有估计误差阈值,信号源Vg在测量负侧绝缘故障时注入负电压,反馈信号Vs为负值,信号源Vg在测量正侧绝缘故障时注入正电压,反馈信号Vs为正值,当参数矩阵Θ的绝缘电阻估计值与实际绝缘电阻值的误差低于估计误差阈值时,计算并输出绝缘电阻,基于模糊逻辑的自适应绝缘电阻预测模型建立完成,所用公式如下:
;
式中,Ri是电池组的正负极的绝缘电阻,p和n分别是电池组的正负极,R是电池组的内部电阻。
通过执行上述操作,针对现有的故障监测方法存在对于过程噪声和测量噪声难以确定,导致算法适应性差,鲁棒性弱,从而使监测效果差,监测效率低的问题,本方案采用通过基于模糊逻辑函数计算电压误差和误差变化率从而更新遗忘因子和滤波器增益,增加算法自适应性,基于滑动窗口和平均误差变化率平滑噪声和突变数据增加算法鲁棒性。
实施例五,参阅图1,该实施例基于上述实施例,在步骤S4中,计算电池单元的局部合力具体包括以下步骤:
步骤S41:递归计算电池各单元的电压均值和标准差,所用公式如下:
;
;
;
式中,vi(k)是第i单元在k时刻的终端电压,v̅为是各单元电压的平均值,σ是各单元电压的标准差,θi(k)是方差;
步骤S42:计算一个时间窗内电压的标准分数,所用公式如下:
;
式中,zi(k)是第i单元在k时刻的标准分数;
步骤S43:计算一个电池相对于其他电池的局部合力,所用公式如下:
;
式中,Fi,n(k)是第i个电池相对于其他n个电池在k时刻的局部合力,j是其他n个电池的索引。
通过执行上述操作,针对存在仅关注电池单元个体而忽视整个电池组,导致对整个电池组电压变化的敏感性和准确性降低,从而使故障诊断率降低的问题,本方案采用综合考虑多个电池单元的电压变化,量化电池单元的终端电压,转化为相对的标准分数,增强对电压变化的敏感性和准确性。
实施例六,参阅图1,该实施例基于上述实施例,在步骤S5中,计算电池单元基于豪斯多夫距离HD的修正Z分数具体包括以下步骤:
步骤S51:计算HD平均值,所用公式如下:
;
式中,HDi是电池单元i的电压集合与中位数电压集合之间的HD,HDmax是所有HD值中的最大值;
步骤S52:计算HD标准差,所用公式如下:
;
步骤S53:计算各电池单元的修正Z分数,所用公式如下:
。
通过执行上述操作,针对存在由于电池单元的多样性导致评估结果可靠性弱,从而导致对电池单元异常情况判断错误的问题,本方案采用基于豪斯多夫距离HD与整体平均值和方差的比较修正评估不足的问题,并通过计算修正Z分数,准确定位故障的电池单元。
实施例七,参阅图1和图4,该实施例基于上述实施例,在步骤S6中,故障监测及定位是基于历史数据标签预先设有绝缘电阻阈值和局部合力阈值,实时采集电池运行数据,当电池组的绝缘电阻高于绝缘电阻阈值时,电池组运行异常;当电池单元的局部合力高于局部合力阈值时,电池单元运行异常;基于修正的Z分数确定运行异常的电池单元。
实施例八,参阅图2,该实施例基于上述实施例,本发明提供的基于储能量自检测的储能式极速充故障监测系统,包括数据采集模块、数据预处理模块、自适应绝缘电阻预测模块、局部合力模块、修正Z分数模块和故障监测及定位模块;
所述数据采集模块采集电池组的历史运行数据及对应标签,将采集的数据发送至数据预处理模块;
所述数据预处理模块接收数据采集模块发送的数据,通过消除重复数据、极端电压消除和根据缺失情况的不同进行缺少数据处理从而对数据进行预处理,并将数据发送至自适应绝缘电阻预测模块;
所述自适应绝缘电阻预测模块接收数据预处理模块发送的数据,基于网络环法建立方程,通过计算电压误差e、电压误差的均值绝对值E和均误差变化率ΔE并基于模糊逻辑函数对遗忘因子更新;通过计算滤波器增益K和协方差矩阵P更新参数矩阵,并基于估计误差阈值建立基于模糊逻辑的自适应绝缘电阻预测模型,并将数据发送至局部合力模块和故障监测及定位模块;
所述局部合力模块接收自适应绝缘电阻预测模块发送的数据,通过递归计算电池各单元的电压均值和标准差从而计算一个时间窗内电压的标准分数,最后计算一个电池相对于其他电池的局部合力并将数据发送至修正Z分数模块和故障监测及定位模块;
所述修正Z分数模块接收局部合力模块发送的数据,通过计算HD平均值和标准差计算各电池单元的修正Z分数,并将数据发送至故障监测及定位模块;
所述故障监测及定位模块接收自适应绝缘电阻预测模块、局部合力模块和修正Z分数模块发送的数据,基于电池组的绝缘电阻判断电池组是否运行正常,基于电池单元的局部合力判断电池单元是否运行正常,基于修正Z分数定位运行异常的电池单元。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他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、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明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,本发明的范围由所附权利要求及其等同物限定。
以上对本发明及其实施方式进行了描述,这种描述没有限制性,附图中所示的也只是本发明的实施方式之一,实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示,在不脱离本发明创造宗旨的情况下,不经创造性的设计出与该技术方案相似的结构方式及实施例,均应属于本发明的保护范围。
Claims (6)
1.基于储能量自检测的储能式极速充故障监测方法,其特征在于:该方法包括以下步骤:
步骤S1:数据采集;
步骤S2:数据预处理,通过消除重复数据、极端电压消除和根据缺失情况的不同进行缺少数据处理从而对数据进行预处理;
步骤S3:建立基于模糊逻辑的自适应绝缘电阻预测模型,基于网络环法建立方程,通过计算电压误差e、电压误差的均值绝对值E和均误差变化率ΔE并基于模糊逻辑函数对遗忘因子更新;通过计算滤波器增益K和协方差矩阵P更新参数矩阵,并基于估计误差阈值建立基于模糊逻辑的自适应绝缘电阻预测模型;
步骤S4:计算电池单元的局部合力,通过递归计算电池各单元的电压均值和标准差从而计算一个时间窗内电压的标准分数,最后计算一个电池相对于其他电池的局部合力;
步骤S5:计算电池单元基于豪斯多夫距离HD的修正Z分数,通过计算HD平均值和标准差计算各电池单元的修正Z分数;
步骤S6:故障监测及定位,基于电池组的绝缘电阻判断电池组是否运行正常,基于电池单元的局部合力判断电池单元是否运行正常,基于修正Z分数定位运行异常的电池单元;
在步骤S3中,所述建立基于模糊逻辑的自适应绝缘电阻预测模型是信号源Ug产生一个低频交流方波信号Vg,即通过底盘注入电池组,在采样电阻Rs上形成反馈电压Vs,计算电池组的绝缘电阻,具体包括以下步骤;
步骤S31:初始化,具体包括:
步骤S311:基于网络环法建立如下方程:
;
式中,Rl1和Rl2是限流电阻,Vb是电池组电压,I1和I2是回路电流,电流方向为顺时针方向,Ri1为绝缘电阻;
步骤S312:定义如下公式:
;
式中,y是反馈信号的绝对值,Ri1是绝缘电阻值,R是电池组的内部电阻,Θ和Φ分别表示参数矩阵和输入矩阵;
步骤S32:计算电压误差e,所用公式如下:
;
式中,k是第k时刻;
步骤S33:计算电压误差的均值绝对值E,作为模糊逻辑的一个输入,所用公式如下:
;
式中,j是索引,N表示滑动窗口的大小;
步骤S34:计算平均误差变化率ΔE,所用公式如下:
;
式中,M是步长;
步骤S35:更新遗忘因子λ,预先设有初始遗忘因子λ0,E、ΔE和Δλ的模糊域分别被设置为[-0.005,0.005]、[-0.001,0.001]和[-0.02,-0.005],所用公式如下:
;
;
式中,fuzzy()是模糊逻辑函数,∆λ是遗忘因子校正;
步骤S36:计算滤波器增益K和协方差矩阵P,所用公式如下:
;
;
步骤S37:更新参数矩阵,所用公式如下:
Θ(k)=Θ(k-1)+K(k)e(k);
步骤S38:计算绝缘电阻,预先设有估计误差阈值,信号源Vg在测量负侧绝缘故障时注入负电压,反馈信号Vs为负值,信号源Vg在测量正侧绝缘故障时注入正电压,反馈信号Vs为正值,当参数矩阵Θ的绝缘电阻估计值与实际绝缘电阻值的误差低于估计误差阈值时,计算并输出绝缘电阻,基于模糊逻辑的自适应绝缘电阻预测模型建立完成,所用公式如下:
;
式中,Ri1是电池组的正负极的绝缘电阻,p和n1分别是电池组的正负极,R是电池组的内部电阻;
在步骤S4中,所述计算电池单元的局部合力具体包括以下步骤:
步骤S41:递归计算电池各单元的电压均值和标准差,所用公式如下:
;
;
;
式中,vi(k)是第i单元在k时刻的终端电压,为各单元电压的平均值,σ是各单元电压的标准差,θi(k)是方差;
步骤S42:计算一个时间窗内电压的标准分数,所用公式如下:
;
式中,zi(k)是第i单元在k时刻的标准分数;
步骤S43:计算一个电池相对于其他电池的局部合力,所用公式如下:
;
式中,Fi,n(k)是第i个电池相对于其他n个电池在k时刻的局部合力,j是其他n个电池的索引。
2.根据权利要求1所述的基于储能量自检测的储能式极速充故障监测方法,其特征在于:在步骤S5中,所述计算电池单元基于豪斯多夫距离HD的修正Z分数具体包括以下步骤:
步骤S51:计算HD平均值,所用公式如下:
;
式中,HDi是电池单元i的电压集合与中位数电压集合之间的HD,HDmax是所有HD值中的最大值;
步骤S52:计算HD标准差,所用公式如下:
;
步骤S53:计算各电池单元的修正Z分数,所用公式如下:
。
3.根据权利要求1所述的基于储能量自检测的储能式极速充故障监测方法,其特征在于:在步骤S2中,所述数据预处理具体包括以下内容:
步骤S21:消除重复数据,若存在两个相邻的行具有相同的数,被认为是重复记录,删除后一行;
步骤S22:极端电压消除,预设电压范围为2.5V-4.5V,若电压数据超出范围,删除超出范围的电压数据对应时刻的所有采样数据;
步骤S23:缺少数据处理,根据缺失情况的不同,处理方法如下:
步骤S231:若连续1分钟内采样数据缺失,预先设有采样时间为10s,当连续6个连续采样点数据缺失,删除缺失时间内的数据;
步骤S232:当数据不连续缺失或只有两个数据连续缺失时,采用相邻单元平均值插值法进行缺失值插值。
4.根据权利要求1所述的基于储能量自检测的储能式极速充故障监测方法,其特征在于:在步骤S1中,所述数据采集是引入移动窗口MW按时间序列采集电池组的历史运行数据及对应标签,所述历史运行数据包括电池组的工作参数和绝缘电阻,所述对应标签包括运行正常和运行异常,建立基于模糊逻辑的自适应绝缘电阻预测模型时,绝缘电阻数据仅用于与参数矩阵Θ的绝缘电阻估计值比较;
在步骤S6中,所述故障监测及定位是基于历史数据标签预先设有绝缘电阻阈值和局部合力阈值,实时采集电池运行数据,当电池组的绝缘电阻高于绝缘电阻阈值时,电池组运行异常;当电池单元的局部合力高于局部合力阈值时,电池单元运行异常;基于修正的Z分数确定运行异常的电池单元。
5.基于储能量自检测的储能式极速充故障监测系统,用于实现如权利要求1-4中任一项所述的基于储能量自检测的储能式极速充故障监测方法,其特征在于:包括数据采集模块、数据预处理模块、自适应绝缘电阻预测模块、局部合力模块、修正Z分数模块和故障监测及定位模块。
6.根据权利要求5所述的基于储能量自检测的储能式极速充故障监测系统,其特征在于:所述数据采集模块采集电池组的历史运行数据及对应标签,将采集的数据发送至数据预处理模块;
所述数据预处理模块接收数据采集模块发送的数据,通过消除重复数据、极端电压消除和根据缺失情况的不同进行缺少数据处理从而对数据进行预处理,并将数据发送至自适应绝缘电阻预测模块;
所述自适应绝缘电阻预测模块接收数据预处理模块发送的数据,基于网络环法建立方程,通过计算电压误差e、电压误差的均值绝对值E和均误差变化率ΔE并基于模糊逻辑函数对遗忘因子更新;通过计算滤波器增益K和协方差矩阵P更新参数矩阵,并基于估计误差阈值建立基于模糊逻辑的自适应绝缘电阻预测模型,并将数据发送至局部合力模块和故障监测及定位模块;
所述局部合力模块接收自适应绝缘电阻预测模块发送的数据,通过递归计算电池各单元的电压均值和标准差从而计算一个时间窗内电压的标准分数,最后计算一个电池相对于其他电池的局部合力并将数据发送至修正Z分数模块和故障监测及定位模块;
所述修正Z分数模块接收局部合力模块发送的数据,通过计算HD平均值和标准差计算各电池单元的修正Z分数,并将数据发送至故障监测及定位模块;
所述故障监测及定位模块接收自适应绝缘电阻预测模块、局部合力模块和修正Z分数模块发送的数据,基于电池组的绝缘电阻判断电池组是否运行正常,基于电池单元的局部合力判断电池单元是否运行正常,基于修正Z分数定位运行异常的电池单元。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310987875.4A CN116736140B (zh) | 2023-08-08 | 2023-08-08 | 基于储能量自检测的储能式极速充故障监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310987875.4A CN116736140B (zh) | 2023-08-08 | 2023-08-08 | 基于储能量自检测的储能式极速充故障监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116736140A CN116736140A (zh) | 2023-09-12 |
CN116736140B true CN116736140B (zh) | 2023-10-20 |
Family
ID=87909853
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310987875.4A Active CN116736140B (zh) | 2023-08-08 | 2023-08-08 | 基于储能量自检测的储能式极速充故障监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116736140B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102016006642A1 (de) * | 2016-06-02 | 2017-02-09 | Daimler Ag | Hochvolt-Batterie für ein Kraftfahrzeug mit Isolationsfehlerlokalisierung und Verfahren hierzu |
KR101947490B1 (ko) * | 2017-09-05 | 2019-02-13 | 양인하 | 배터리의 상태표시 잔량측정방법 |
WO2021064603A1 (en) * | 2019-09-30 | 2021-04-08 | Ceres Intellectual Property Company Limited | Fuel cell stack module fault detection system and method |
CN113435688A (zh) * | 2021-05-14 | 2021-09-24 | 天津力神电池股份有限公司 | 动力电池系统的风险排查方法 |
CN113655277A (zh) * | 2021-08-13 | 2021-11-16 | 海南师范大学 | 一种在电动汽车动力电池断开时的绝缘阻值检测方法 |
CN114942386A (zh) * | 2022-07-20 | 2022-08-26 | 湖北工业大学 | 一种动力电池故障在线检测方法及系统 |
CN114942387A (zh) * | 2022-07-20 | 2022-08-26 | 湖北工业大学 | 一种基于真实数据的动力电池故障在线检测方法及系统 |
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 |
CN115598541A (zh) * | 2022-12-01 | 2023-01-13 | 西南科技大学(Cn) | 基于遗忘因子自适应反馈修正的电池能量状态评估方法 |
CN115951231A (zh) * | 2023-03-14 | 2023-04-11 | 长安大学 | 基于单体电池电压相关性的汽车动力电池故障预警方法 |
-
2023
- 2023-08-08 CN CN202310987875.4A patent/CN116736140B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102016006642A1 (de) * | 2016-06-02 | 2017-02-09 | Daimler Ag | Hochvolt-Batterie für ein Kraftfahrzeug mit Isolationsfehlerlokalisierung und Verfahren hierzu |
KR101947490B1 (ko) * | 2017-09-05 | 2019-02-13 | 양인하 | 배터리의 상태표시 잔량측정방법 |
WO2021064603A1 (en) * | 2019-09-30 | 2021-04-08 | Ceres Intellectual Property Company Limited | Fuel cell stack module fault detection system and method |
CN113435688A (zh) * | 2021-05-14 | 2021-09-24 | 天津力神电池股份有限公司 | 动力电池系统的风险排查方法 |
CN113655277A (zh) * | 2021-08-13 | 2021-11-16 | 海南师范大学 | 一种在电动汽车动力电池断开时的绝缘阻值检测方法 |
CN114942386A (zh) * | 2022-07-20 | 2022-08-26 | 湖北工业大学 | 一种动力电池故障在线检测方法及系统 |
CN114942387A (zh) * | 2022-07-20 | 2022-08-26 | 湖北工业大学 | 一种基于真实数据的动力电池故障在线检测方法及系统 |
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 |
CN115598541A (zh) * | 2022-12-01 | 2023-01-13 | 西南科技大学(Cn) | 基于遗忘因子自适应反馈修正的电池能量状态评估方法 |
CN115951231A (zh) * | 2023-03-14 | 2023-04-11 | 长安大学 | 基于单体电池电压相关性的汽车动力电池故障预警方法 |
Non-Patent Citations (3)
Title |
---|
A fault detection method of electric vehicle battery through Hausdorff distance and modified Z-score for real-world data;Minghu Wu et al.;Journal of Energy Storage;第60卷;第1-12页 * |
Fault diagnosis and abnormality detection of lithium-ion battery packs based on statistical distribution;Qiao Xue et al.;Journal of Power Sources;第482卷;第1-12页 * |
Insulation fault monitoring of lithium-ion battery pack: Recursive least square with adaptive forgetting factor;Jiaqiang Tian et al.;Journal of Energy Storage;第67卷;第1-9页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116736140A (zh) | 2023-09-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021259196A1 (zh) | 一种电池组一致性评估方法及系统 | |
EP3770620B1 (en) | Deterioration estimation device and deterioration estimation method | |
US10310020B2 (en) | Method, device and system for estimating the charge state of a battery | |
CN108491404B (zh) | 一种基于bp神经网络的状态估计不良数据辨识方法 | |
CN104714188B (zh) | 量测噪声方差阵相匹配的电池电荷状态估计方法与系统 | |
US7346462B2 (en) | System, method, and article of manufacture for determining parameter values associated with an electrical grid | |
CN114559819B (zh) | 一种基于信号处理的电动汽车电池安全预警方法 | |
CN107121639B (zh) | 一种多维参数直流系统蓄电池管理方法及装置 | |
CN109669131B (zh) | 一种工况环境下动力电池soc估算方法 | |
Hassan et al. | A comprehensive review of battery state of charge estimation techniques | |
CN111781503B (zh) | 一种锂离子储能电池soc在线估算方法 | |
EP3988952B1 (en) | Method for detecting abnormal battery cell | |
CN112816879A (zh) | 一种用于变工况车用动力电池SoE在线估计方法 | |
CN115598541B (zh) | 基于遗忘因子自适应反馈修正的电池能量状态评估方法 | |
CN110716141B (zh) | 一种基于扩展卡尔曼滤波的电池荷电状态估计方法 | |
CN116736140B (zh) | 基于储能量自检测的储能式极速充故障监测方法及系统 | |
CN115267585A (zh) | 基于梯度增强决策树的改进单粒子电化学模型建模方法 | |
Jin et al. | A combined model-based and data-driven fault diagnosis scheme for lithium-ion batteries | |
CN117310538A (zh) | 一种电量剩余转化效率自检测的储能电池电量监控系统 | |
CN111525197B (zh) | 一种蓄电池soh实时估算系统及方法 | |
CN117284151A (zh) | 一种自适应新能源车辆电池电量监测方法及系统 | |
CN111413620A (zh) | 一种基于集员滤波的锂电池电荷状态估计方法 | |
CN107515374B (zh) | 一种应用于agv车soc估算动态调整滤波增益的方法 | |
WO2022239188A1 (ja) | 蓄電池診断装置および蓄電池システム | |
CN112733479A (zh) | 一种单体电池的模型参数计算方法、装置和介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |