CN116736173A - 一种储能电池模型构建和储能电池状态判定方法、装置 - Google Patents
一种储能电池模型构建和储能电池状态判定方法、装置 Download PDFInfo
- Publication number
- CN116736173A CN116736173A CN202311002127.2A CN202311002127A CN116736173A CN 116736173 A CN116736173 A CN 116736173A CN 202311002127 A CN202311002127 A CN 202311002127A CN 116736173 A CN116736173 A CN 116736173A
- Authority
- CN
- China
- Prior art keywords
- target
- energy storage
- storage battery
- hypersphere
- radius
- 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
- 238000004146 energy storage Methods 0.000 title claims abstract description 367
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000010276 construction Methods 0.000 title claims description 17
- 230000036541 health Effects 0.000 claims abstract description 62
- 238000012544 monitoring process Methods 0.000 claims description 59
- 238000012545 processing Methods 0.000 claims description 29
- 230000015654 memory Effects 0.000 claims description 24
- 238000010606 normalization Methods 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 19
- 210000000352 storage cell Anatomy 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000013450 outlier detection Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000003672 processing method Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 230000005856 abnormality Effects 0.000 claims description 5
- 230000005484 gravity Effects 0.000 claims 1
- 239000002077 nanosphere Substances 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000001514 detection method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 239000000178 monomer Substances 0.000 description 3
- 238000013179 statistical model Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001131 transforming effect 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]
- G01R31/392—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]
- G01R31/367—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]
- G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明涉及储能电池技术领域，公开了一种储能电池模型构建和储能电池状态判定方法、装置，本发明首先构建每个储能电池的运行多参数健康数据集，再利用每个多参数健康数据集训练预设SVDD模型，并通过求解每个预设SVDD模型进一步得到目标超球体的目标超球体中心、第一目标超球体半径和第二标超球体半径，最后利用目标超球体中心、第一目标超球体半径和第二标超球体半径建立包含目标超球体的储能电池模型。因此，通过实施本发明，能够基于储能电池的运行多参数健康数据集自适应更新储能电池模型和储能电池模型中目标超球体的超球体半径，提高储能电池状态判定的精准度。
Description
技术领域
本发明涉及储能电池技术领域，具体涉及一种储能电池模型构建和储能电池状态判定方法、装置。
背景技术
在储能电站系统内，成百上千个储能电池单体组成一个极为复杂的系统，其具有高度非线性、温度敏感特性、明显的老化特性以及不一致性等，这也导致储能电池可能会因为自身化学反应放热积聚或外界热源影响下发生热失控，严重影响储能电站的安全性能。
现有技术中通常使用统计模型和深度学习模型进行储能电池的状态判定，但是，统计模型和深度学习模型通常受到储能电池的复杂运行状态和运行数据集质量的影响，不能精准地判定储能电池的状态。
发明内容
有鉴于此，本发明提供了一种储能电池模型构建和储能电池状态判定方法、装置，以解决现有统计模型和深度学习模型通常受到储能电池的复杂运行状态和运行数据集质量的影响，不能精准地判定储能电池的状态。
第一方面，本发明提供了一种储能电池模型构建方法，用于储能电站系统，储能电站系统包括至少一个储能电池；该储能电池模型构建方法包括：
获取储能电站系统中每个储能电池的健康数据集；基于每个储能电池的健康数据集分别对预设SVDD模型进行训练，得到每个储能电池对应的目标SVDD模型；基于每个储能电池的健康数据集对每个目标SVDD模型求解，得到每个目标SVDD模型对应的超球体中心和超球体半径；基于每个超球体中心确定目标超球体中心，基于每个超球体半径确定第一目标超球体半径和第二标超球体半径，第一目标超球体半径小于第二标超球体半径；基于目标超球体中心、第一目标超球体半径和第二标超球体半径建立包含目标超球体的储能电池模型。
本发明提供的储能电池模型构建方法，首先构建每个储能电池的运行多参数健康数据集，再利用每个多参数健康数据集训练预设SVDD模型，并通过求解每个预设SVDD模型进一步得到目标超球体的目标超球体中心、第一目标超球体半径和第二标超球体半径，最后利用目标超球体中心、第一目标超球体半径和第二标超球体半径和每个储能电池的运行多参数健康数据集建立储能电池模型。因此，通过实施本发明，能够基于储能电池的运行多参数健康数据集自适应更新储能电池模型和储能电池模型中目标超球体的超球体半径，提高储能电池状态判定的精准度。
在一种可选的实施方式中，获取储能电站系统中每个储能电池的健康数据集，包括：
获取储能电站系统中每个储能电池的历史参数监测数据集和历史故障数据集；基于每个储能电池的历史参数监测数据集和历史故障数据集，经过预设处理方法，得到每个储能电池的健康数据集。
本发明通过对获取的每个储能电池的历史参数监测数据集进行处理，可以得到满足训练预设SVDD模型的健康数据集。
在一种可选的实施方式中，基于每个储能电池的历史参数监测数据集和历史故障数据集，经过预设处理方法，得到每个储能电池的健康数据集，包括：
对每个储能电池的历史参数监测数据集进行预处理，得到每个储能电池的第一监测数据集；利用历史故障数据集对第一监测数据集进行处理，得到每个储能电池的第二监测数据集；基于每个储能电池的第二监测数据集，经过局部异常因子离群点检测算法处理，得到每个储能电池的第三监测数据集；对每个储能电池的第三监测数据集进行归一化处理，得到满足预设归一化条件的每个储能电池的健康数据集。
本发明通过对历史参数监测数据集进行预处理，可以去除存在缺失的数据以及超出参数给定范围的数据；通过历史故障数据集，可以剔除故障时刻对应的数据；通过局部异常因子离群点检测算法，可以删除严重偏离健康数据集群的离群数据；通过归一化处理，可以消除量纲影响。
第二方面，本发明提供了一种储能电池状态判定方法，该储能电池状态判定方法包括：
获取待判定储能电池的目标样本数据；基于目标样本数据，经过储能电池模型和预设判定准则，确定待判定储能电池的状态，储能电池模型根据上述第一方面或其对应的任一实施方式的储能电池模型构建方法构建得到。
本发明提供的储能电池状态判定方法，利用训练好的储能电池模型并结合预设判定准则，可以更精准地判定储能电池的状态。
在一种可选的实施方式中，基于目标样本数据，经过储能电池模型和预设判定准则，确定待判定储能电池的状态，包括：
计算目标样本数据与储能电池模型中目标超球体的目标球心距；基于目标球心距，经过预设判定准则，确定待判定储能电池的状态。
本发明利用目标样本数据与储能电池模型中目标超球体的目标球心距，并结合预设判定准则，可以更精准的判定储能电池的状态。
在一种可选的实施方式中，基于目标球心距，经过预设判定准则，确定待判定储能电池的状态之前，方法还包括：
获取储能电池模型中目标超球体对应的第一目标超球体半径和第二标超球体半径，第一目标超球体半径小于第二标超球体半径；基于第一目标超球体半径和第二标超球体半径，将目标超球体中的空间区域划分为第一目标区域、第二目标区域和第三目标区域，第一目标区域为空间区域中小于第一目标超球体半径的区域，第二目标区域为空间区域中大于第一目标超球体半径且小于第二标超球体半径的区域，第三目标区域为空间区域中大于第二标超球体半径的区域。
本发明通过第一目标超球体半径和第二标超球体半径划分目标超球体中的空间区域，为后续利用目标球心距确定待判定储能电池的状态提供了依据。
在一种可选的实施方式中，基于目标球心距，经过预设判定准则，确定待判定储能电池的状态，包括：
将目标球心距分别与第一目标超球体半径和第二标超球体半径进行比对；当目标球心距小于或等于第一目标超球体半径时，确定待判定储能电池为正常状态；当目标球心距大于第二标超球体半径时，确定待判定储能电池为故障状态；当目标球心距大于第一目标超球体半径且小于第二标超球体半径时，利用数据异常判别策略确定待判定储能电池的状态。
本发明根据目标球心距与第一目标超球体半径和第二标超球体半径的比对结果确定待判定储能电池的状态，能够在极少虚警和漏检的情况下实现储能电池的准确高效的状态判定。
在一种可选的实施方式中，当目标球心距大于第一目标超球体半径且小于第二标超球体半径时，利用数据异常判别策略确定待判定储能电池的状态，包括：
当目标球心距大于第一目标超球体半径且小于第二标超球体半径时，将目标样本数据输入预设移动窗口；基于预设移动窗口确定目标样本数据的移动状态；基于目标样本数据的移动状态，确定待判定储能电池的状态。
本发明引入移动窗口确定待判定储能电池的状态，提高了储能电池状态判定精度。
在一种可选的实施方式中，基于目标样本数据的移动状态，确定待判定储能电池的状态，包括：
当确定目标样本数据从第一目标区域移动到第二目标区域时，确定待判定储能电池为故障预警状态；当确定目标样本数据从第二目标区域移动到第三目标区域时，确定待判定储能电池为故障状态；当确定目标样本数据从第一目标区域移动到第三目标区域且从第三目标区域移动到第二目标区域时，确定待判定储能电池为正常状态。
本发明依据目标样本数据的移动状态进一步确定储能电池的状态，减少了状态虚警和漏检的情况，能够更准确高效的确定储能电池的状态。
在一种可选的实施方式中，基于目标样本数据的移动状态，确定待判定储能电池的状态，还包括：
当确定目标样本数据从第二目标区域移动到第一目标区域时，确定待判定储能电池为正常状态。
本发明依据目标样本数据的移动状态进一步确定储能电池的状态，减少了状态虚警和漏检的情况，能够更准确高效的确定储能电池的状态。
在一种可选的实施方式中，获取待判定储能电池的目标样本数据，包括：
获取待判定储能电池的初始样本数据；对初始样本数据进行归一化处理，得到满足预设归一化条件的目标样本数据。
本发明通过归一化处理，可以消除初始样本数据的量纲影响。
第三方面，本发明提供了一种储能电池模型构建装置，用于储能电站系统，储能电站系统包括至少一个储能电池；该储能电池模型构建装置包括：
第一获取模块，用于获取储能电站系统中每个储能电池的健康数据集；训练模块，用于基于每个储能电池的健康数据集分别对预设SVDD模型进行训练，得到每个储能电池对应的目标SVDD模型；求解模块，用于基于每个储能电池的健康数据集对每个目标SVDD模型求解，得到每个目标SVDD模型对应的超球体中心和超球体半径；第一确定模块，用于基于每个超球体中心确定目标超球体中心，基于每个超球体半径确定第一目标超球体半径和第二标超球体半径，第一目标超球体半径小于第二标超球体半径；建立模块，用于基于目标超球体中心、第一目标超球体半径和第二标超球体半径建立包含目标超球体的储能电池模型。
第四方面，本发明提供了一种储能电池状态判定装置，该储能电池状态判定装置包括：
第二获取模块，用于获取待判定储能电池的目标样本数据；第二确定模块，用于基于目标样本数据，经过储能电池模型和预设判定准则，确定待判定储能电池的状态，储能电池模型根据上述第一方面或其对应的任一实施方式的储能电池模型构建方法构建得到。
第五方面，本发明提供了一种计算机设备，包括：存储器和处理器，存储器和处理器之间互相通信连接，存储器中存储有计算机指令，处理器通过执行计算机指令，从而执行上述第一方面或其对应的任一实施方式的储能电池模型构建方法，或上述第二方面或其对应的任一实施方式的储能电池状态判定方法。
第六方面，本发明提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机指令，计算机指令用于使计算机执行上述第一方面或其对应的任一实施方式的储能电池模型构建方法，或上述第二方面或其对应的任一实施方式的储能电池状态判定方法。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的储能电池模型构建方法的流程示意图；
图2是根据本发明实施例的另一储能电池模型构建方法的流程示意图；
图3是根据本发明实施例的储能电池状态判定方法的流程示意图；
图4是根据本发明实施例的另一储能电池状态判定方法的流程示意图；
图5A是根据本发明实施例的目标样本数据的移动状态示意图；
图5B是根据本发明实施例的另一目标样本数据的移动状态示意图；
图5C是根据本发明实施例的又一目标样本数据的移动状态示意图；
图5D是根据本发明实施例的再一目标样本数据的移动状态示意图；
图6是根据本发明实施例的储能电池模型构建装置的结构框图；
图7是根据本发明实施例的储能电池状态判定装置的结构框图；
图8是本发明实施例的计算机设备的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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。
本发明实施例提供了一种储能电池模型构建方法，通过基于储能电池的运行多参数健康数据集自适应更新储能电池模型和储能电池模型中目标超球体的超球体半径，以达到提高储能电池状态判定的精准度的效果。
根据本发明实施例，提供了一种储能电池模型构建方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中提供了一种储能电池模型构建方法，用于储能电站系统，其中，储能电站系统包括至少一个储能电池。图1是根据本发明实施例的储能电池模型构建方法的流程图，如图1所示，该流程包括如下步骤：
步骤S101，获取储能电站系统中每个储能电池的健康数据集。
其中，健康数据集包括储能电池的不同参数（比如电流、电压、温度、电池容量等）的历史运行监测数据，且在该历史运行监测数据下，该储能电站系统可以正常运行。
步骤S102，基于每个储能电池的健康数据集分别对预设SVDD模型进行训练，得到每个储能电池对应的目标SVDD模型。
其中，SVDD（Support Vector Data Description，支持向量数据描述）是一种单分类算法。
具体地，将每个储能电池的健康数据集作为一个整体，在高维特征空间中构造一个能够尽可能多的囊括所有被描述对象的超球体，即通过对预设SVDD模型进行训练，可以得到包含囊括所有被描述对象的超球体的目标SVDD模型。
步骤S103，基于每个储能电池的健康数据集对每个目标SVDD模型求解，得到每个目标SVDD模型对应的超球体中心和超球体半径。
具体地，利用储能电池的健康数据集对每个目标SVDD模型求解，可以得到每个目标SVDD模型中超球体的超球体中心和超球体半径。
首先，设某个储能电池的健康数据集为。其中，/>表示维度。
其次，将构造的包含的超球体转化为如下关系式（1）所示的最优化问题：
（1）
式中：R表示超球体半径；a表示超球体中心；i表示健康数据集中每个数据的索引；n表示健康数据集中每个数据的总数；C表示惩罚因子，为针对健康数据集中可能含有的离群点数据而引入的参数，如下关系式（2）所示；表示松弛因子，为针对健康数据集中可能含有的离群点数据而引入的参数；/>表示核映射。
（2）
式中：表示健康数据集中的数据处于超球体外部的百分比。
通过该惩罚因子C可以协调超球体的体积与健康数据集中的数据的误分率。
进一步，如下关系式（3）所示，为上述关系式（1）所示的最优化问题的对偶形式：
（3）
式中：表示拉格朗日乘子；/>表示核函数。
进一步，在上述关系式（2）中引入如下关系式（4）所示的高斯核函数，可以简化内积运算，完成特征空间映射：
（4）
式中：表示高斯核函数的宽度参数。
进一步，对应的拉格朗日乘子满足的/>为处于超球体表面的支持向量，即健康数据集中处于超球体表面的数据，并对满足该条件的支持向量索引i进行筛选，组成整数集合s。
进一步，根据如下关系式（5）计算支持向量超球球心距，即超球体半径R：
（5）
式中：表示任一支持向量，即健康数据集中任一处于超球体表面的数据。
最后，通过上述计算过程可以得到每个目标SVDD模型中超球体的超球体中心和超球体半径。
步骤S104，基于每个超球体中心确定目标超球体中心，基于每个超球体半径确定第一目标超球体半径和第二标超球体半径。
具体地，对所有的超球体中心求平均获得最终的超球体中心，即目标超球体中心。
进一步，将每个超球体半径中的最小超球体半径作为最终的内层超球体半径，即第一目标超球体半径Din；将每个超球体半径中的最大超球体半径作为最终的外层超球体半径，即第二目标超球体半径Dout。
因此，第一目标超球体半径Din小于第二目标超球体半径Dout。
步骤S105，基于目标超球体中心、第一目标超球体半径和第二标超球体半径建立包含目标超球体的储能电池模型。
具体地，根据目标超球体中心、第一目标超球体半径、第二标超球体半径可以确定预设SVDD模型的权重框架，进一步，根据该确定的预设SVDD模型的权重框架，可以得到包含目标超球体的双层SVDD模型，即储能电池模型。
本实施例提供的储能电池模型构建方法，首先构建每个储能电池的运行多参数健康数据集，再利用每个多参数健康数据集训练预设SVDD模型，并通过求解每个预设SVDD模型进一步得到目标超球体的目标超球体中心、第一目标超球体半径和第二标超球体半径，最后利用目标超球体中心、第一目标超球体半径和第二标超球体半径和每个储能电池的运行多参数健康数据集建立储能电池模型。因此，通过实施本发明，能够基于储能电池的运行多参数健康数据集自适应更新储能电池模型和储能电池模型中目标超球体的超球体半径，提高储能电池状态判定的精准度。
在本实施例中提供了一种储能电池模型构建方法，用于储能电站系统，其中，储能电站系统包括至少一个储能电池。图2是根据本发明实施例的储能电池模型构建方法的流程图，如图2所示，该流程包括如下步骤：
步骤S201，获取储能电站系统中每个储能电池的健康数据集。
具体地，上述步骤S201包括：
步骤S2011，获取储能电站系统中每个储能电池的历史参数监测数据集和历史故障数据集。
其中，历史参数监测数据集表示储能电池的不同参数（比如电流、电压、温度、电池容量等）的历史运行监测数据。
历史故障数据集表示记录的储能电池的历史故障信息。
步骤S2012，基于每个储能电池的历史参数监测数据集和历史故障数据集，经过预设处理方法，得到每个储能电池的健康数据集。
具体地，结合历史故障数据集，利用预设处理方法对获取得到的历史参数监测数据集进行处理，可以得到满足训练预设SVDD模型的健康数据集。
通过对获取的每个储能电池的历史参数监测数据集进行处理，可以得到满足训练预设SVDD模型的健康数据集。
在一些可选的实施方式中，上述步骤S2012包括：
步骤a1，对每个储能电池的历史参数监测数据集进行预处理，得到每个储能电池的第一监测数据集。
步骤a2，利用历史故障数据集对第一监测数据集进行处理，得到每个储能电池的第二监测数据集。
步骤a3，基于每个储能电池的第二监测数据集，经过局部异常因子离群点检测算法处理，得到每个储能电池的第三监测数据集。
步骤a4，对每个储能电池的第三监测数据集进行归一化处理，得到满足预设归一化条件的每个储能电池的健康数据集。
首先，对历史参数监测数据集进行预处理，可以清除历史参数监测数据集中存在缺失的数据以及超出参数给定范围的数据。
其次，利用历史故障数据集剔除第一监测数据集中故障时刻对应的数据。
然后，通过局部异常因子离群点检测算法，删除第二监测数据集中严重偏离健康数据集群的离群数据。
最后，对清理后的第三监测数据集进行归一化处理，使归一化处理后的健康数据集落到[0，1]区间，以消除量纲影响。
步骤S202，基于每个储能电池的健康数据集分别对预设SVDD模型进行训练，得到每个储能电池对应的目标SVDD模型。详细请参见图1所示实施例的步骤S102，在此不再赘述。
步骤S203，基于每个储能电池的健康数据集对每个目标SVDD模型求解，得到每个目标SVDD模型对应的超球体中心和超球体半径。详细请参见图1所示实施例的步骤S103，在此不再赘述。
步骤S204，基于每个超球体中心确定目标超球体中心，基于每个超球体半径确定第一目标超球体半径和第二标超球体半径。详细请参见图1所示实施例的步骤S104，在此不再赘述。
步骤S205，基于目标超球体中心、第一目标超球体半径和第二标超球体半径建立包含目标超球体的储能电池模型。详细请参见图1所示实施例的步骤S105，在此不再赘述。
本实施例提供的储能电池模型构建方法，对获取的每个储能电池的历史参数监测数据集进行处理，可以得到满足训练预设SVDD模型的健康数据集；利用每个健康数据集训练预设SVDD模型，并通过求解每个预设SVDD模型进一步得到目标超球体的目标超球体中心、第一目标超球体半径和第二标超球体半径，最后利用目标超球体中心、第一目标超球体半径和第二标超球体半径和每个储能电池的运行多参数健康数据集建立储能电池模型。因此，通过实施本发明，能够基于储能电池的健康数据集自适应更新储能电池模型和储能电池模型中目标超球体的超球体半径，提高储能电池状态判定的精准度。
本发明实施例提供了一种储能电池状态判定方法，在上述实施例提供的储能电池模型构建方法构建得到的储能电池模型的基础上，结合构建的预设判定准则以达到更精准的判定储能电池的状态的效果。
在本实施例中提供了一种储能电池状态判定方法，图3是根据本发明实施例的储能电池状态判定方法的流程图，如图3所示，该流程包括如下步骤：
步骤S301，获取待判定储能电池的目标样本数据。
其中，目标样本数据表示待判定储能电池在当前正常运行状态下的参数监测数据。
步骤S302，基于目标样本数据，经过储能电池模型和预设判定准则，确定待判定储能电池的状态。
其中，储能电池模型可以根据上述实施例提供的储能电池模型构建方法构建得到。
具体地，利用训练好的储能电池模型并结合预设判定准则，对目标样本数据进行判定，进一步，判定目标样本数据对应的储能电池的状态。
本发明提供的储能电池状态判定方法，利用训练好的储能电池模型并结合预设判定准则，可以更精准地判定储能电池的状态。
在本实施例中提供了一种储能电池状态判定方法，图4是根据本发明实施例的储能电池状态判定方法的流程图，如图4所示，该流程包括如下步骤：
步骤S401，获取待判定储能电池的目标样本数据。
具体地，上述步骤S401包括：
步骤S4011，获取待判定储能电池的初始样本数据。
其中，初始样本数据表示待判定储能电池在当前运行状态下的参数监测数据。
步骤S4012，对初始样本数据进行归一化处理，得到满足预设归一化条件的目标样本数据。
具体地，对该初始样本数据进行归一化处理，使归一化处理后的目标样本数据落到[0，1]区间，以消除量纲影响。
步骤S402，基于目标样本数据，经过储能电池模型和预设判定准则，确定待判定储能电池的状态。
具体地，上述步骤S402包括：
步骤S4021，计算目标样本数据与储能电池模型中目标超球体的目标球心距。
具体地，利用如下关系式（6）计算：
（6）
式中：D表示目标球心距；z表示目标样本数据。
步骤S4022，获取储能电池模型中目标超球体对应的第一目标超球体半径和第二标超球体半径。
其中，根据上述步骤S104的描述，第一目标超球体半径Din小于第二目标超球体半径Dout。
具体地，第一目标超球体半径Din和第二标超球体半径Dout的计算过程参考上述步骤S103和步骤S104中的描述，此处不再赘述。
步骤S4023，基于第一目标超球体半径和第二标超球体半径，将目标超球体中的空间区域划分为第一目标区域、第二目标区域和第三目标区域。
其中，第一目标区域为空间区域中小于第一目标超球体半径Din的区域；第二目标区域为空间区域中大于第一目标超球体半径Din且小于第二标超球体半径Dout的区域；第三目标区域为空间区域中大于第二标超球体半径Dout的区域。
具体地，将目标超球体中的空间区域分成A，B，C三个区域。其中，内层超球体的内部区域为A区，即第一目标区域；外层超球体的外部区域为C区，即第三目标区域；内层超球体和外层超球体之间的区域为B区，即第二目标区域。
步骤S4024，基于目标球心距，经过预设判定准则，确定待判定储能电池的状态。
具体地，目标超球体内的点被认为属于正常类，而目标超球体外的点被认为不属于故障类。因此，根据目标超球体中的空间区域的划分以确定样本数据对应的储能电池的状态为原则构建预设判定准则。
进一步，在得到待判定储能电池的目标样本数据与储能电池模型中目标超球体的目标球心距的基础上，结合上述构建的预设判定准则，可以确定待判定储能电池的状态。
在一些可选的实施方式中，上述步骤S4024包括：
步骤b1，将目标球心距分别与第一目标超球体半径和第二标超球体半径进行比对。
步骤b2，当目标球心距小于或等于第一目标超球体半径时，确定待判定储能电池为正常状态。
步骤b3，当目标球心距大于第二标超球体半径时，确定待判定储能电池为故障状态。
步骤b4，当目标球心距大于第一目标超球体半径且小于第二标超球体半径时，利用数据异常判别策略确定待判定储能电池的状态。
具体地，将目标球心距D分别与第一目标超球体半径Din和第二标超球体半径Dout进行比对。
优选地，当D小于或等于第一目标超球体半径Din时，可以直接判定待判定储能电池为正常状态；
优选地，当D大于第二标超球体半径Dout时，可以直接判定待判定储能电池为故障状态。
优选地，当D大于第一目标超球体半径Din且小于第二标超球体半径Dout时，不能直接判定待判定储能电池为正常状态或故障状态。
此时，利用数据异常判别策略来确定对应的判定储能电池的状态。
在一些可选的实施方式中，上述步骤b4包括：
步骤b41，当目标球心距大于第一目标超球体半径且小于第二标超球体半径时，将目标样本数据输入预设移动窗口。
步骤b42，基于预设移动窗口确定目标样本数据的移动状态。
步骤b43，基于目标样本数据的移动状态，确定待判定储能电池的状态。
当D大于第一目标超球体半径Din且小于第二标超球体半径Dout时，引入移动窗口进行判定。
具体地，根据引入的移动窗口可以确定目标样本数据的移动状态，即可以确定目标样本数据在A，B，C三个区域的移动状态，进一步，根据该目标样本数据的移动状态，可以确定待判定储能电池的状态。
在一些可选的实施方式中，上述步骤b43包括：
步骤b431，当确定目标样本数据从第一目标区域移动到第二目标区域时，确定待判定储能电池为故障预警状态。
步骤b432，当确定目标样本数据从第二目标区域移动到第三目标区域时，确定待判定储能电池为故障状态。
步骤b433，当确定目标样本数据从第一目标区域移动到第三目标区域且从第三目标区域移动到第二目标区域时，确定待判定储能电池为正常状态。
步骤b434，当确定目标样本数据从第二目标区域移动到第一目标区域时，确定待判定储能电池为正常状态。
具体地，如图5A所示，当目标样本数据从A区变化至B区，即从第一目标区域移动到第二目标区域时，确定待判定储能电池为故障预警状态；
如图5B所示，当目标样本数据从B区变化至C区，即从第二目标区域移动到第三目标区域时，确定待判定储能电池为故障状态。
如图5C所示，当目标样本数据从A区变化至C区，又变化至B区，即从第一目标区域移动到第三目标区域且从第三目标区域移动到第二目标区域时，确定待判定储能电池为正常状态。
如图5D所示，当目标样本数据从B区变化至A区，即从第二目标区域移动到第三目标区域时，确定待判定储能电池为正常状态。
本发明提供的储能电池状态判定方法，通过第一目标超球体半径和第二标超球体半径划分目标超球体中的空间区域，根据目标球心距与第一目标超球体半径和第二标超球体半径的比对结果确定待判定储能电池的状态，能够在极少虚警和漏检的情况下实现储能电池的准确高效的状态判定。同时，在判断过程中引入移动窗口确定待判定储能电池的状态，提高了储能电池状态判定精度。
在一实例中，提供一种基于双层SVDD的储能电池故障预警方法，包括：
1、离线建模
（1）获取各电池单体的参数（电流、电压、温度、电池容量）的历史监测数据；
（2）对历史监测数据进行预处理，清除历史监测数据中存在缺失的数据以及超出参数给定范围的数据，基于历史故障信息记录表剔除故障时刻对应的数据，并通过局部异常因子离群点检测算法，将严重偏离健康数据集群的离群数据删除。
（3）对清理后的数据进行归一化处理，构建储能电站正常运行的健康数据集，消除量纲影响，使变换的结果落到[0，1]区间。
（4）对各电池单体归一化后的数据集训练SVDD 模型，对所有的超球体中心求平均获得最终的超球体中心，各电池单体的最小超球体半径为最终的内层超球体半径Din，各电池单体的最大超球体半径为最终的外层超球体半径Dout。
2、在线检测
（1）对于储能电池在线测量样本数据，利用归一化公式使样本数据变换至[0，1]区间。
（2）得到样本数据与超球体球心之间的球心距D。
（3）根据计算得到的球心距D，当球心距D小于等于内层超球体半径为正常样本，相反如果球心距D大于外层超球体半径时为异常样本。
（4）当计算得到的球心距D处于内层超球体半径和外层超球体半径之间时，利用上述步骤b41至步骤b43，以及步骤b431至步骤b434的数据异常判别策略对当前样本数据对应的储能电池的状态进行判断。
在本实施例中还提供了一种储能电池模型构建装置和储能电池状态判定装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
本实施例提供一种储能电池模型构建装置，用于储能电站系统，所述储能电站系统包括至少一个储能电池；如图6所示，包括：
第一获取模块601，用于获取所述储能电站系统中每个所述储能电池的健康数据集。
训练模块602，用于基于每个所述储能电池的所述健康数据集分别对预设SVDD模型进行训练，得到每个所述储能电池对应的目标SVDD模型。
求解模块603，用于基于每个所述储能电池的所述健康数据集对每个所述目标SVDD模型求解，得到每个所述目标SVDD模型对应的超球体中心和超球体半径。
第一确定模块604，用于基于每个所述超球体中心确定目标超球体中心，基于每个所述超球体半径确定第一目标超球体半径和第二标超球体半径，所述第一目标超球体半径小于所述第二标超球体半径。
建立模块605，用于基于目标超球体中心、第一目标超球体半径和第二标超球体半径建立包含目标超球体的储能电池模型。
在一些可选的实施方式中，第一获取模块601包括：
第一获取子模块，用于获取所述储能电站系统中每个所述储能电池的历史参数监测数据集和历史故障数据集。
第一处理子模块，用于基于每个所述储能电池的所述历史参数监测数据集和所述历史故障数据集，经过预设处理方法，得到每个所述储能电池的所述健康数据集。
在一些可选的实施方式中，第一处理子模块包括：
第一处理单元，用于对每个所述储能电池的所述历史参数监测数据集进行预处理，得到每个所述储能电池的第一监测数据集。
第二处理单元，用于利用所述历史故障数据集对所述第一监测数据集进行处理，得到每个所述储能电池的第二监测数据集。
第三处理单元，用于基于每个所述储能电池的所述第二监测数据集，经过局部异常因子离群点检测算法处理，得到每个所述储能电池的第三监测数据集。
第四处理单元，用于对每个所述储能电池的所述第三监测数据集进行归一化处理，得到满足预设归一化条件的每个所述储能电池的所述健康数据集。
本实施例提供一种储能电池状态判定装置，如图7所示，包括：
第二获取模块701，用于获取待判定储能电池的目标样本数据；
第二确定模块702，用于基于所述目标样本数据，经过储能电池模型和预设判定准则，确定所述待判定储能电池的状态，所述储能电池模型根据上述实施例提供的储能电池模型构建方法构建得到。
在一些可选的实施方式中，第二确定模块702包括：
计算子模块，用于计算所述目标样本数据与所述储能电池模型中目标超球体的目标球心距。
确定子模块，用于基于所述目标球心距，经过所述预设判定准则，确定所述待判定储能电池的状态。
在一些可选的实施方式中，上述储能电池状态判定装置还包括：
第三获取模块，用于获取所述储能电池模型中所述目标超球体对应的第一目标超球体半径和第二标超球体半径，所述第一目标超球体半径小于所述第二标超球体半径。
划分模块，用于基于所述第一目标超球体半径和所述第二标超球体半径，将所述目标超球体中的空间区域划分为第一目标区域、第二目标区域和第三目标区域，所述第一目标区域为所述空间区域中小于所述第一目标超球体半径的区域，所述第二目标区域为所述空间区域中大于所述第一目标超球体半径且小于所述第二标超球体半径的区域，所述第三目标区域为所述空间区域中大于所述第二标超球体半径的区域。
在一些可选的实施方式中，确定子模块包括：
比对单元，用于将所述目标球心距分别与所述第一目标超球体半径和所述第二标超球体半径进行比对。
第一确定单元，用于当所述目标球心距小于或等于所述第一目标超球体半径时，确定所述待判定储能电池为正常状态。
第二确定单元，用于当所述目标球心距大于所述第二标超球体半径时，确定所述待判定储能电池为故障状态。
第三确定单元，用于当所述目标球心距大于所述第一目标超球体半径且小于所述第二标超球体半径时，利用数据异常判别策略确定所述待判定储能电池的状态。
在一些可选的实施方式中，第三确定单元包括：
输入子单元，用于当所述目标球心距大于所述第一目标超球体半径且小于所述第二标超球体半径时，将所述目标样本数据输入预设移动窗口。
第一确定子单元，用于基于所述预设移动窗口确定所述目标样本数据的移动状态。
第二确定子单元，用于基于所述目标样本数据的移动状态，确定所述待判定储能电池的状态。
在一些可选的实施方式中，第二确定子单元包括：
第一状态确定子单元，用于当确定所述目标样本数据从所述第一目标区域移动到所述第二目标区域时，确定所述待判定储能电池为故障预警状态。
第二状态确定子单元，用于当确定所述目标样本数据从所述第二目标区域移动到所述第三目标区域时，确定所述待判定储能电池为所述故障状态。
第三状态确定子单元，用于当确定所述目标样本数据从所述第一目标区域移动到所述第三目标区域且从所述第三目标区域移动到所述第二目标区域时，确定所述待判定储能电池为所述正常状态。
第四状态确定子单元，用于当确定所述目标样本数据从所述第二目标区域移动到所述第一目标区域时，确定所述待判定储能电池为所述正常状态。
在一些可选的实施方式中，第二获取模块701包括：
第二获取子模块，用于获取所述待判定储能电池的初始样本数据。
第二处理子模块，用于对所述初始样本数据进行归一化处理，得到满足预设归一化条件的所述目标样本数据。
上述各个模块和单元的更进一步的功能描述与上述对应实施例相同，在此不再赘述。
本实施例中的储能电池模型构建装置和储能电池状态判定装置是以功能单元的形式来呈现，这里的单元是指ASIC（Application Specific Integrated Circuit，专用集成电路）电路，执行一个或多个软件或固定程序的处理器和存储器，和/或其他可以提供上述功能的器件。
本发明实施例还提供一种计算机设备，具有上述图6所示的储能电池模型构建装置或图7所示的储能电池状态判定装置。
请参阅图8，图8是本发明可选实施例提供的一种计算机设备的结构示意图，如图8所示，该计算机设备包括：一个或多个处理器10、存储器20，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相通信连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在计算机设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置（诸如，耦合至接口的显示设备）上显示GUI的图形信息的指令。在一些可选的实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个计算机设备，各个设备提供部分必要的操作（例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统）。图8中以一个处理器10为例。
处理器10可以是中央处理器，网络处理器或其组合。其中，处理器10还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路，可编程逻辑器件或其组合。上述可编程逻辑器件可以是复杂可编程逻辑器件，现场可编程逻辑门阵列，通用阵列逻辑或其任意组合。
其中，存储器20存储有可由至少一个处理器10执行的指令，以使至少一个处理器10执行实现上述实施例示出的方法。
存储器20可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据计算机设备的使用所创建的数据等。此外，存储器20可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些可选的实施方式中，存储器20可选包括相对于处理器10远程设置的存储器，这些远程存储器可以通过网络连接至该计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
存储器20可以包括易失性存储器，例如，随机存取存储器；存储器也可以包括非易失性存储器，例如，快闪存储器，硬盘或固态硬盘；存储器20还可以包括上述种类的存储器的组合。
该计算机设备还包括通信接口30，用于该计算机设备与其他设备或通信网络通信。
本发明实施例还提供了一种计算机可读存储介质，上述根据本发明实施例的方法可在硬件、固件中实现，或者被实现为可记录在存储介质，或者被实现通过网络下载的原始存储在远程存储介质或非暂时机器可读存储介质中并将被存储在本地存储介质中的计算机代码，从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件的存储介质上的这样的软件处理。其中，存储介质可为磁碟、光盘、只读存储记忆体、随机存储记忆体、快闪存储器、硬盘或固态硬盘等；进一步地，存储介质还可以包括上述种类的存储器的组合。可以理解，计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件，当软件或计算机代码被计算机、处理器或硬件访问且执行时，实现上述实施例示出的方法。
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (15)
1.一种储能电池模型构建方法，用于储能电站系统，所述储能电站系统包括至少一个储能电池；其特征在于，所述方法包括：
获取所述储能电站系统中每个所述储能电池的健康数据集；
基于每个所述储能电池的所述健康数据集分别对预设SVDD模型进行训练，得到每个所述储能电池对应的目标SVDD模型；
基于每个所述储能电池的所述健康数据集对每个所述目标SVDD模型求解，得到每个所述目标SVDD模型对应的超球体中心和超球体半径；
基于每个所述超球体中心确定目标超球体中心，基于每个所述超球体半径确定第一目标超球体半径和第二标超球体半径，所述第一目标超球体半径小于所述第二标超球体半径；
基于所述目标超球体中心、所述第一目标超球体半径和所述第二标超球体半径建立包含目标超球体的储能电池模型。
2.根据权利要求1所述的方法，其特征在于，获取所述储能电站系统中每个所述储能电池的健康数据集，包括：
获取所述储能电站系统中每个所述储能电池的历史参数监测数据集和历史故障数据集；
基于每个所述储能电池的所述历史参数监测数据集和所述历史故障数据集，经过预设处理方法，得到每个所述储能电池的所述健康数据集。
3.根据权利要求2所述的方法，其特征在于，基于每个所述储能电池的所述历史参数监测数据集和所述历史故障数据集，经过预设处理方法，得到每个所述储能电池的所述健康数据集，包括：
对每个所述储能电池的所述历史参数监测数据集进行预处理，得到每个所述储能电池的第一监测数据集；
利用所述历史故障数据集对所述第一监测数据集进行处理，得到每个所述储能电池的第二监测数据集；
基于每个所述储能电池的所述第二监测数据集，经过局部异常因子离群点检测算法处理，得到每个所述储能电池的第三监测数据集；
对每个所述储能电池的所述第三监测数据集进行归一化处理，得到满足预设归一化条件的每个所述储能电池的所述健康数据集。
4.一种储能电池状态判定方法，其特征在于，所述方法包括：
获取待判定储能电池的目标样本数据；
基于所述目标样本数据，经过储能电池模型和预设判定准则，确定所述待判定储能电池的状态，所述储能电池模型根据如权利要求1至3任一项所述的储能电池模型构建方法构建得到。
5.根据权利要求4所述的方法，其特征在于，基于所述目标样本数据，经过储能电池模型和预设判定准则，确定所述待判定储能电池的状态，包括：
计算所述目标样本数据与所述储能电池模型中目标超球体的目标球心距；
基于所述目标球心距，经过所述预设判定准则，确定所述待判定储能电池的状态。
6.根据权利要求5所述的方法，其特征在于，基于所述目标球心距，经过所述预设判定准则，确定所述待判定储能电池的状态之前，所述方法还包括：
获取所述储能电池模型中所述目标超球体对应的第一目标超球体半径和第二标超球体半径，所述第一目标超球体半径小于所述第二标超球体半径；
基于所述第一目标超球体半径和所述第二标超球体半径，将所述目标超球体中的空间区域划分为第一目标区域、第二目标区域和第三目标区域，所述第一目标区域为所述空间区域中小于所述第一目标超球体半径的区域，所述第二目标区域为所述空间区域中大于所述第一目标超球体半径且小于所述第二标超球体半径的区域，所述第三目标区域为所述空间区域中大于所述第二标超球体半径的区域。
7.根据权利要求6所述的方法，其特征在于，基于所述目标球心距，经过预设判定准则，确定所述待判定储能电池的状态，包括：
将所述目标球心距分别与所述第一目标超球体半径和所述第二标超球体半径进行比对；
当所述目标球心距小于或等于所述第一目标超球体半径时，确定所述待判定储能电池为正常状态；
当所述目标球心距大于所述第二标超球体半径时，确定所述待判定储能电池为故障状态；
当所述目标球心距大于所述第一目标超球体半径且小于所述第二标超球体半径时，利用数据异常判别策略确定所述待判定储能电池的状态。
8.根据权利要求7所述的方法，其特征在于，当所述目标球心距大于所述第一目标超球体半径且小于所述第二标超球体半径时，利用数据异常判别策略确定所述待判定储能电池的状态，包括：
当所述目标球心距大于所述第一目标超球体半径且小于所述第二标超球体半径时，将所述目标样本数据输入预设移动窗口；
基于所述预设移动窗口确定所述目标样本数据的移动状态；
基于所述目标样本数据的移动状态，确定所述待判定储能电池的状态。
9.根据权利要求8所述的方法，其特征在于，基于所述目标样本数据的移动状态，确定所述待判定储能电池的状态，包括：
当确定所述目标样本数据从所述第一目标区域移动到所述第二目标区域时，确定所述待判定储能电池为故障预警状态；
当确定所述目标样本数据从所述第二目标区域移动到所述第三目标区域时，确定所述待判定储能电池为所述故障状态；
当确定所述目标样本数据从所述第一目标区域移动到所述第三目标区域且从所述第三目标区域移动到所述第二目标区域时，确定所述待判定储能电池为所述正常状态。
10.根据权利要求8所述的方法，其特征在于，基于所述目标样本数据的移动状态，确定所述待判定储能电池的状态，还包括：
当确定所述目标样本数据从所述第二目标区域移动到所述第一目标区域时，确定所述待判定储能电池为所述正常状态。
11.根据权利要求4所述的方法，其特征在于，获取待判定储能电池的目标样本数据，包括：
获取所述待判定储能电池的初始样本数据；
对所述初始样本数据进行归一化处理，得到满足预设归一化条件的所述目标样本数据。
12.一种储能电池模型构建装置，用于储能电站系统，所述储能电站系统包括至少一个储能电池；其特征在于，所述装置包括：
第一获取模块，用于获取所述储能电站系统中每个所述储能电池的健康数据集；
训练模块，用于基于每个所述储能电池的所述健康数据集分别对预设SVDD模型进行训练，得到每个所述储能电池对应的目标SVDD模型；
求解模块，用于基于每个所述储能电池的所述健康数据集对每个所述目标SVDD模型求解，得到每个所述目标SVDD模型对应的超球体中心和超球体半径；
第一确定模块，用于基于每个所述超球体中心确定目标超球体中心，基于每个所述超球体半径确定第一目标超球体半径和第二标超球体半径，所述第一目标超球体半径小于所述第二标超球体半径；
建立模块，用于基于所述目标超球体中心、所述第一目标超球体半径和所述第二标超球体半径建立包含目标超球体的储能电池模型。
13.一种储能电池状态判定装置，其特征在于，所述装置包括：
第二获取模块，用于获取待判定储能电池的目标样本数据；
第二确定模块，用于基于所述目标样本数据，经过储能电池模型和预设判定准则，确定所述待判定储能电池的状态，所述储能电池模型根据如权利要求1至3任一项所述的储能电池模型构建方法构建得到。
14.一种计算机设备，其特征在于，包括：
存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行权利要求1至3中任一项所述的储能电池模型构建方法，或如权利要求4至11中任一项所述的储能电池状态判定方法。
15.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机指令，所述计算机指令用于使计算机执行权利要求1至3中任一项所述的储能电池模型构建方法，或如权利要求4至11中任一项所述的储能电池状态判定方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311002127.2A CN116736173B (zh) | 2023-08-10 | 2023-08-10 | 一种储能电池模型构建和储能电池状态判定方法、装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311002127.2A CN116736173B (zh) | 2023-08-10 | 2023-08-10 | 一种储能电池模型构建和储能电池状态判定方法、装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116736173A true CN116736173A (zh) | 2023-09-12 |
| CN116736173B CN116736173B (zh) | 2023-10-20 |
Family
ID=87913702
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311002127.2A Active CN116736173B (zh) | 2023-08-10 | 2023-08-10 | 一种储能电池模型构建和储能电池状态判定方法、装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116736173B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100153038A1 (en) * | 2007-03-23 | 2010-06-17 | Kabushiki Kaisha Toyota-Chuo Kenkyusho | State estimating device of secondary battery |
| CN109617151A (zh) * | 2018-11-19 | 2019-04-12 | 浙江大学 | 基于模型预测控制的锂电池组主动均衡控制方法 |
| 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 |
| CN115758160A (zh) * | 2022-12-01 | 2023-03-07 | 西安工业大学 | 一种基于超球特征方程的虚拟样本生成方法 |
| CN115837862A (zh) * | 2021-09-18 | 2023-03-24 | 北京车和家信息技术有限公司 | 一种异常数据检测方法、装置、电子设备以及存储介质 |
-
2023
- 2023-08-10 CN CN202311002127.2A patent/CN116736173B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100153038A1 (en) * | 2007-03-23 | 2010-06-17 | Kabushiki Kaisha Toyota-Chuo Kenkyusho | State estimating device of secondary battery |
| CN109617151A (zh) * | 2018-11-19 | 2019-04-12 | 浙江大学 | 基于模型预测控制的锂电池组主动均衡控制方法 |
| 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 |
| CN115837862A (zh) * | 2021-09-18 | 2023-03-24 | 北京车和家信息技术有限公司 | 一种异常数据检测方法、装置、电子设备以及存储介质 |
| CN115758160A (zh) * | 2022-12-01 | 2023-03-07 | 西安工业大学 | 一种基于超球特征方程的虚拟样本生成方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116736173B (zh) | 2023-10-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Serradilla et al. | Deep learning models for predictive maintenance: a survey, comparison, challenges and prospects | |
| CN111340238A (zh) | 一种工业系统的故障诊断方法、装置、设备及存储介质 | |
| CN111695301A (zh) | 电池电荷状态的预测方法及预测装置、存储介质、设备 | |
| CN112433896B (zh) | 一种服务器磁盘故障预测方法、装置、设备及存储介质 | |
| CN111224805A (zh) | 一种网络故障根因检测方法、系统及存储介质 | |
| CN112505570A (zh) | 电动汽车的电池健康状态的估计方法 | |
| CN117110748A (zh) | 一种基于融合终端的变电站主设备运行状态异常检测方法 | |
| Xie et al. | Residual life prediction of lithium-ion batteries based on data preprocessing and a priori knowledge-assisted CNN-LSTM | |
| Li et al. | An adaptive prognostics method based on a new health index via data fusion and diffusion process | |
| CN113486926B (zh) | 一种自动化码头设备异常检测系统 | |
| CN113110961B (zh) | 设备异常检测方法、装置、计算机设备及可读存储介质 | |
| CN116992311B (zh) | 基于机器学习的储能电源状态分析方法 | |
| CN116736173B (zh) | 一种储能电池模型构建和储能电池状态判定方法、装置 | |
| CN113151842A (zh) | 风光互补电解水制氢的转化效率的确定方法和确定装置 | |
| Li et al. | A remaining useful life prediction method considering the dimension optimization and the iterative speed | |
| CN117269742A (zh) | 一种高海拔环境下断路器健康状态评估方法、装置及介质 | |
| Behera et al. | GAN-based multi-task learning approach for prognostics and health management of IIoT | |
| CN116665798A (zh) | 一种空气污染趋势预警方法及相关装置 | |
| CN110207871B (zh) | 风电机组的应力预测的方法、装置、存储介质和系统 | |
| Nguyen | Feature Engineering and Health Indicator Construction for Fault Detection and Diagnostic | |
| CN112685933B (zh) | 一种滚轮丝杠副剩余使用寿命预测方法 | |
| CN116595883B (zh) | 数值反应堆实时在线系统状态修正方法 | |
| Jiang et al. | Prediction on the remaining useful life of rolling bearings using ensemble DLSTM | |
| Chen et al. | Improved Deep Extreme Learning Machine for State of Health Estimation of Lithium‐Ion Battery | |
| Chen et al. | Incremental learning approach for improved prediction |
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 |