CN116774090A - 基于状态监控的储能电池健康诊断方法、装置及设备 - Google Patents
基于状态监控的储能电池健康诊断方法、装置及设备 Download PDFInfo
- Publication number
- CN116774090A CN116774090A CN202311034412.2A CN202311034412A CN116774090A CN 116774090 A CN116774090 A CN 116774090A CN 202311034412 A CN202311034412 A CN 202311034412A CN 116774090 A CN116774090 A CN 116774090A
- Authority
- CN
- China
- Prior art keywords
- battery
- check
- diagnosis
- parameter
- vector
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 116
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000036541 health Effects 0.000 title claims abstract description 43
- 238000004146 energy storage Methods 0.000 title claims abstract description 27
- 238000012544 monitoring process Methods 0.000 title claims abstract description 27
- 238000012795 verification Methods 0.000 claims abstract description 45
- 238000012545 processing Methods 0.000 claims abstract description 14
- 239000013598 vector Substances 0.000 claims description 86
- 238000010586 diagram Methods 0.000 claims description 29
- 230000002159 abnormal effect Effects 0.000 claims description 18
- 238000007689 inspection Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 12
- 238000002405 diagnostic procedure Methods 0.000 claims description 5
- 238000005452 bending Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- 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]
- G01R31/392—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
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Secondary Cells (AREA)
Abstract
本发明涉及一种基于状态监控的储能电池健康诊断方法、装置及设备，通过获取插入于换电柜的第一电池所对应的电池参数，并从数据库中调取与所述电池参数匹配的参数检查表；基于所述参数检查表创建电池校验路径，所述电池校验路径包括一项或多项；通过所述电池校验路径的路径数目及校验节点，调取对应的校验嵌套结构进行混合，生成结构诊断模型；基于所述结构诊断模型对电池参数进行诊断处理，得到诊断结果；以实时检测和诊断电池健康参数，确保健康的电池流入市场，防止损坏电池被替换进电池组，从而保障电池质量，减少维护和替换电池的成本，有效降低运营成本。
Description
技术领域
本发明涉及电池数字诊断的技术领域，特别涉及一种基于状态监控的储能电池健康诊断方法、装置及设备。
背景技术
换电柜是电动两轮车行业的一个重要部分，它是一种新型的充电解决方案。在这个领域中，用于电动两轮车的电池不是被直接充电，而是被替换。这意味着电动车的电池可以被一个已经充满电的电池替换，不需要等待电池充电的时间，进一步提高了电动汽车的效率和便利性，特别是在城市和高速公路的交通繁忙地带，换电柜将有巨大的需求和应用前景。
而从换电柜供应商的角度而言，防止损坏后的电池替换完好的电池是一项重要的商业预防行为，同时也需要防止损坏的电池输出给用户，基于此，便要对输入与输出的电池进行健康诊断。
发明内容
本发明的主要目的为提供一种基于状态监控的储能电池健康诊断方法、装置及设备，通过实时检测和诊断电池健康参数，确保健康的电池流入市场，防止损坏电池被替换进电池组，从而保障电池质量，减少维护和替换电池的成本，有效降低运营成本。
为实现上述目的，本发明提供了一种基于状态监控的储能电池健康诊断方法，包括以下步骤：
获取插入于换电柜的第一电池所对应的电池参数，并从数据库中调取与所述电池参数匹配的参数检查表；
基于所述参数检查表创建电池校验路径，所述电池校验路径包括一项或多项；
通过所述电池校验路径的路径数目及校验节点，调取对应的校验嵌套结构进行混合，生成结构诊断模型；
基于所述结构诊断模型对电池参数进行诊断处理，得到诊断结果。
进一步地，获取插入于换电柜的第一电池所对应的电池参数，并从数据库中调取与所述电池参数匹配的参数检查表的步骤，包括：
利用微型摄像单元对所述第一电池上的编号进行识别；
从预先录入的厂家信息表中匹配出与编号类型一致的电池标准信息，所述电池标准信息包括但不限于有第一电池的标准电压、标准容量以及标准温度；
基于所述电池标准信息从预设的数据库中调取对应的参数检查表。
进一步地，基于所述参数检查表创建电池校验路径的步骤，包括：
识别所述参数检查表的行项与列项；
在同时刻下，基于所述行项识别出检查类别，通过各项所述检查类别确认出电池校验路径的路径数目；
在同时刻下，基于所述列项识别出与检查类别对应的各个电池细项参数；
生成与所述路径数目对应的校验路径，并在所述校验路径上对应的添加各个电池细项参数作为校验节点，生成电池校验路径。
进一步地，通过所述电池校验路径的路径数目及校验节点，调取对应的校验嵌套结构进行混合，生成结构诊断模型的步骤，包括：
当所述路径数目为1时，从数据库中调取一项与电路校验路径匹配的校验嵌套结构，并将校验嵌套结构作为结构诊断模型进行诊断过程。
进一步地，通过所述电池校验路径的路径数目及校验节点，调取对应的校验嵌套结构进行混合，生成结构诊断模型的步骤，包括：
当所述路径数目为N时，将N项所述电池校验路径进行向量化，得到N项电池校验向量，其中N为大于1的正向整数；
基于各个所述电池校验路径上相似的校验节点，将各个相似的校验节点进行叠合，进而叠合各个电池校验向量，形成向量结构图；
基于所述向量结构图上的各个节点，对应调取各个对应的校验嵌套结构；
利用各个所述校验嵌套结构识别向量结构图，以识别出向量结构图中的各个诊断向量，所述诊断向量包括直线形式向量或节点弯折形式向量；
将各个校验嵌套结构在卷积层上进行叠合混合，得到结构诊断模型。
进一步地，基于所述结构诊断模型对电池参数进行诊断处理，得到诊断结果的步骤，包括：
将所述电池参数向量化，得到一条适应于结构诊断模型的电池参数向量；
将所述电池参数向量从上至下依次通过结构诊断模型的各个卷积层，并基于各个卷积层上的向量结构图对电池参数向量进行电池参数诊断，其中，电池参数诊断为将电池参数向量与诊断向量进行比对，由比对长度结果以及比对方向结果确定出电池参数向量的异常信息；
若识别出所述异常信息，则由各个卷积层将异常信息从侧部带出，并作为所述诊断结果输出。
进一步地，所述由比对长度结果以及比对方向结果确定出电池参数向量的异常信息的步骤，包括：
识别电池参数向量与诊断向量的长度差以及方向差；
基于预获取的电池标准信息，判断长度差以及方向差对应的信息是否属于可克服差距；
若否，则认定异常信息无法克服，无法执行换电过程。
本发明还提出一种基于状态监控的储能电池健康诊断装置，包括：
获取单元，用于获取插入于换电柜的第一电池所对应的电池参数，并从数据库中调取与所述电池参数匹配的参数检查表，并将所述电池参数输入至参数检查表内对应位置；
路径单元，用于基于所述参数检查表创建电池校验路径，所述电池校验路径包括一项或多项；
模型单元，用于通过所述电池校验路径的路径数目及校验节点，调取对应的校验嵌套结构进行混合，生成结构诊断模型；
诊断单元，用于基于所述结构诊断模型对电池参数进行诊断处理，得到诊断结果。
本发明还提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述基于状态监控的储能电池健康诊断方法的步骤。
本发明还提供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上述任一项所述的基于状态监控的储能电池健康诊断方法的步骤。
本发明提供的基于状态监控的储能电池健康诊断方法、装置及设备，具有以下有益效果：
（1）通过获取电池的健康参数，进行校验路径确认，生成结构诊断模型，并基于模型进行详细诊断，能实时检测并防止损坏电池被替换进电池组。
（2）预防不健康电池流入市场，减少了因电池问题需重新替换、维护等操作，从而能有效降低运营成本。
附图说明
图1是本发明一实施例中基于状态监控的储能电池健康诊断方法的示意图；
图2是本发明一实施例中基于状态监控的储能电池健康诊断装置的结构框图；
图3是本发明一实施例的计算机设备的结构示意框图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
参照图1为本发明提出的基于状态监控的储能电池健康诊断方法的流程示意图，包括以下步骤：
S1，获取插入于换电柜的第一电池所对应的电池参数，并从数据库中调取与所述电池参数匹配的参数检查表；
在S1中，获取插入的电池中获取必要的信息，比如电池的电压，电流，温度，充电次数，等等。这些参数可以帮助评价电池健康状况和预计剩余寿命；并从数据库中调取与电池参数对应的参数检查表，在具体的实施过程中：
利用微型摄像单元对所述第一电池上的编号进行识别；
从预先录入的厂家信息表中匹配出与编号类型一致的电池标准信息，所述电池标准信息包括但不限于有第一电池的标准电压、标准容量以及标准温度；
基于所述电池标准信息从预设的数据库中调取对应的参数检查表。
具体的，使用一个小型摄像设备（如摄像头或扫描仪）来读取并识别插入电池上的唯一编号。这通常是电池上的条形码或QR码，提供了关于电池的重要信息，如制造商，型号，生产日期等。在已有的制造商信息数据库中，根据识别出的编号找出对应的电池标准信息。其中识别的编号仅采用具体类型这一项，以确定一项电池类型对应的电池标准信息。从预设置的数据库调取一份与这些信息对应的参数检查表。这表可能包含了满足特定条件下，电池正常运行应达到的各项参数标准。
S2，基于所述参数检查表创建电池校验路径，所述电池校验路径包括一项或多项；
在S2中，这个步骤涉及使用从数据库中调取出的参数检查表，来确定一个或多个电池参数的检查路径，电池校验路径中的各个项都是独立的检查步骤，它们可以包括电池的电压、电流、温度、充电状态等各种参数的检查，通过根据参数检查表创建电池校验路径，可以确保电池的各项重要参数都被全面且系统地检查，以全方位评估电池的健康状况，从而保证电池的安全和效率。
S3，通过所述电池校验路径的路径数目及校验节点，调取对应的校验嵌套结构进行混合，生成结构诊断模型；
在S3中，"通过电池校验路径的路径数目及校验节点，调取对应的校验嵌套结构进行混合，生成结构诊断模型"，这个步骤表明将基于创建的电池校验路径的数量和校验节点，来选择和调用对应的校验嵌套结构。这里的校验嵌套结构可以看做是结构化深度网络嵌套算法，它们可以对给定的电池参数进行深度分析和比对。校验路径的数量和节点可以确定需要的嵌套结构类型和数量，以便精确地对应电池的各项参数。通过集成多种嵌套结构，诊断系统混合这些结构生成一个独特的综合模型，称为结构诊断模型。这一模型能够更准确、更全面地评估电池的健康情况。
S4，基于所述结构诊断模型对电池参数进行诊断处理，得到诊断结果。
在S4中，结构诊断模型会对电池的各项健康参数进行深度检查和评估，分析比如电压、电流、温度等各项参数信息是否满足健康标准，是否被正确维护以及是否存在潜在的问题等。根据这个模型的处理结果，你的系统会得到一个电池健康诊断结果，它充分反应了电池当前的状态，以及是否存在任何需要注意或修复的问题。这一结果是基于电池的实际参数与从数据库中取出的标准参数或诊断路径进行比对得出的。
通过实时的诊断，在用户将第一电池插入在换电柜时，换电柜会直接执行基于状态监控的储能电池健康诊断方法，以识别第一电池的健康性，进而来确认是否被同意替换。
在一个实施例中，基于所述参数检查表创建电池校验路径的步骤，包括：
识别所述参数检查表的行项与列项；
在同时刻下，基于所述行项识别出检查类别，通过各项所述检查类别确认出电池校验路径的路径数目；
在同时刻下，基于所述列项识别出与检查类别对应的各个电池细项参数；
生成与所述路径数目对应的校验路径，并在所述校验路径上对应的添加各个电池细项参数作为校验节点，生成电池校验路径。
具体为：首先，会识别参数检查表的行和列。在这个情况下，行通常代表不同的检查类别，这些类别可能包括电压、电流、温度等电池关键参数的检查。列则可能代表与对应的检查类别对应的详细电池参数，这些参数可以进一步描述电池的状态。基于行项识别出的检查类别，会确认电池校验路径的数目。例如，如果有3个检查类别，那么就可能有3条校验路径。与此同时，会基于列项识别出与检查类别对应的各个电池细项参数。这些参数具体地描述了各个检查类别下电池的状态，如电压类别下的电池电压值等。然后，系统生成与校验路径数目对应的路径，并在这些路径上添加对应的细项参数作为校验节点，最后生成电池校验路径。诸如此类的校验路径充分覆盖了各个检查类别及其具体参数，使得电池的状态检查既全面又具体。
在一个实施例中，通过所述电池校验路径的路径数目及校验节点，调取对应的校验嵌套结构进行混合，生成结构诊断模型的步骤，包括：
当所述路径数目为1时，从数据库中调取一项与电路校验路径匹配的校验嵌套结构，并将校验嵌套结构作为结构诊断模型进行诊断过程。
具体的，当校验路径数目为1时，从数据库中调取一项与电路校验路径匹配的校验嵌套结构，并将校验嵌套结构作为结构诊断模型进行诊断过程。这个步骤说明，当只有一条电池校验路径时，你的系统会从数据库中调出一种与这个路径匹配的校验嵌套结构。这个嵌套结构通常包含了用于评估电池健康状态的详细规则和准则，是在该校验路径下进行电池健康状态评估的关键工具。
在一个实施例中，通过所述电池校验路径的路径数目及校验节点，调取对应的校验嵌套结构进行混合，生成结构诊断模型的步骤，包括：
当所述路径数目为N时，将N项所述电池校验路径进行向量化，得到N项电池校验向量，其中N为大于1的正向整数；
基于各个所述电池校验路径上相似的校验节点，将各个相似的校验节点进行叠合，进而叠合各个电池校验向量，形成向量结构图；
基于所述向量结构图上的各个节点，对应调取各个对应的校验嵌套结构；
利用各个所述校验嵌套结构识别向量结构图，以识别出向量结构图中的各个诊断向量，所述诊断向量包括直线形式向量或节点弯折形式向量；
将各个校验嵌套结构在卷积层上进行叠合混合，得到结构诊断模型。
具体的，当路径数目为N时，将N项所述电池校验路径进行向量化，得到N项电池校验向量。这里，N是大于1的正向整数。向量化过程将校验路径转变为能被计算机算法处理的数学格式。基于各个电池校验路径上相似的校验节点，将这些相似的校验节点进行叠合，从而叠合各个电池校验向量，形成向量结构图。这个过程中，相似的校验节点可能表示相同或类似性质的电池参数。在得到向量结构图后，基于图上的各个节点，会对应调取各个对应的校验嵌套结构。每一个节点都可能对应一种特定的校验嵌套结构。利用各个校验嵌套结构识别向量结构图，以识别出向量结构图中的各个诊断向量。这些诊断向量包括直线形式向量或节点弯折形式向量，这两种向量分别可能代表了不同的电池状态和行为模式。最后，在卷积层上将各个校验嵌套结构进行叠合混合，得到结构诊断模型。卷积层是一种常见的神经网络层次，通过这种方式，各种校验嵌套结构在卷积层上进行组合，形成一个多层、多维度的结构诊断模型，该模型能够更全面、详尽的评估电池的健康状况。
可以将结构诊断模型看做为一套矩形结构，结构中具有若干层（及若干卷积层），在若干层中均放置有向量结构图（该向量结构图由节点决定），在电池校验向量纵向比较时，会逐层传感向量结构图，从而将比对信息留在对应的卷积层中，最终将各个卷积层留着的比对信息从横向进行输出，得到结果。
在一个实施例中，基于所述结构诊断模型对电池参数进行诊断处理，得到诊断结果的步骤，包括：
将所述电池参数向量化，得到一条适应于结构诊断模型的电池参数向量；
将所述电池参数向量从上至下依次通过结构诊断模型的各个卷积层，并基于各个卷积层上的向量结构图对电池参数向量进行电池参数诊断，其中，电池参数诊断为将电池参数向量与诊断向量进行比对，由比对长度结果以及比对方向结果确定出电池参数向量的异常信息；
若识别出所述异常信息，则由各个卷积层将异常信息从侧部带出，并作为所述诊断结果输出。
具体的，电池参数的向量化：首先，进行电池参数的向量化操作，将电池参数转换为可以接受的输入格式以适应于结构诊断模型。电池参数向量的逐层诊断：将电池参数向量按照从上至下的顺序通过结构诊断模型的各个卷积层。在各个卷积层上，根据层内的向量结构图对电池参数向量进行电池参数诊断。电池参数诊断涉及将电池参数向量与诊断向量进行比对。比对的内容包括向量长度（代表参数大小）和向量方向（代表参数趋势），以便确定电池参数向量的异常信息。诊断的处理和输出：在识别出异常信息后，各卷积层将异常信息从侧部获取并带出。这种信息处理方式保证了异常信息在诊断过程中不被遗漏，以便能够准确得到完全的诊断结果。最后，所述诊断结果将被输出，作为对电池健康性状况评估的依据。总的来说，上述过程描述了一种利用向量化电池参数、结构诊断模型的卷积层以及相应的诊断向量，来全面检测、识别并处理电池的异常信息，最后输出诊断结果的方法。
具体的，所述由比对长度结果以及比对方向结果确定出电池参数向量的异常信息的步骤，包括：
识别电池参数向量与诊断向量的长度差以及方向差；
基于预获取的电池标准信息，判断长度差以及方向差对应的信息是否属于可克服差距；
若否，则认定异常信息无法克服，无法执行换电过程。
长度差和方向差的识别：首先，识别电池参数向量和诊断向量之间的长度差以及方向差。长度差可能反映了电池参数与参考或标准值之间的绝对差距，而方向差可能反映了电池参数变化趋势与预期趋势的不一致。
可克服差距的判断：基于预获取的电池标准信息，判断这些长度差和方向差对应的信息是否属于可克服差距。这意味着，根据对电池标准信息的了解，系统会判断这些差距是否在设定的容忍范围内，或者说这些差距是否是可以通过某种方式修复或调整的。
异常信息的后续处理：如果长度差和方向差对应的信息被判断为不可克服，那么就认定这种异常信息无法被克服，进而无法执行电池的换电过程。
参考附图2为本发明提出的基于状态监控的储能电池健康诊断装置的结构框图，包括：
获取单元10，用于获取插入于换电柜的第一电池所对应的电池参数，并从数据库中调取与所述电池参数匹配的参数检查表，并将所述电池参数输入至参数检查表内对应位置；
路径单元20，用于基于所述参数检查表创建电池校验路径，所述电池校验路径包括一项或多项；
模型单元30，用于通过所述电池校验路径的路径数目及校验节点，调取对应的校验嵌套结构进行混合，生成结构诊断模型；
诊断单元40，用于基于所述结构诊断模型对电池参数进行诊断处理，得到诊断结果。
在本实施例中，上述装置实施例中的各个单元的具体实现，请参照上述方法实施例中所述，在此不再进行赘述。
参照图3，本发明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3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、显示屏、输入装置、网络接口和数据库。其中，该计算机设计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存储本实施例中对应的数据。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上述方法。
S1，获取插入于换电柜的第一电池所对应的电池参数，并从数据库中调取与所述电池参数匹配的参数检查表；
S2，基于所述参数检查表创建电池校验路径，所述电池校验路径包括一项或多项；
S3，通过所述电池校验路径的路径数目及校验节点，调取对应的校验嵌套结构进行混合，生成结构诊断模型；
S4，基于所述结构诊断模型对电池参数进行诊断处理，得到诊断结果。
本领域技术人员可以理解，图3中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的计算机设备的限定。
本发明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上述方法。可以理解的是，本实施例中的计算机可读存储介质可以是易失性可读存储介质，也可以为非易失性可读存储介质。
综上所述，通过获取插入于换电柜的第一电池所对应的电池参数，并从数据库中调取与所述电池参数匹配的参数检查表；基于所述参数检查表创建电池校验路径，所述电池校验路径包括一项或多项；通过所述电池校验路径的路径数目及校验节点，调取对应的校验嵌套结构进行混合，生成结构诊断模型；基于所述结构诊断模型对电池参数进行诊断处理，得到诊断结果；以实时检测和诊断电池健康参数，确保健康的电池流入市场，防止损坏电池被替换进电池组，从而保障电池质量，减少维护和替换电池的成本，有效降低运营成本。
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于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，本发明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等。
需要说明的是，在本文中，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。
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明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，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于状态监控的储能电池健康诊断方法，其特征在于，包括以下步骤：
获取插入于换电柜的第一电池所对应的电池参数，并从数据库中调取与所述电池参数匹配的参数检查表；
基于所述参数检查表创建电池校验路径，所述电池校验路径包括一项或多项；
通过所述电池校验路径的路径数目及校验节点，调取对应的校验嵌套结构进行混合，生成结构诊断模型；
基于所述结构诊断模型对电池参数进行诊断处理，得到诊断结果。
2.根据权利要求1所述的基于状态监控的储能电池健康诊断方法，其特征在于，获取插入于换电柜的第一电池所对应的电池参数，并从数据库中调取与所述电池参数匹配的参数检查表的步骤，包括：
利用微型摄像单元对所述第一电池上的编号进行识别；
从预先录入的厂家信息表中匹配出与编号类型一致的电池标准信息，所述电池标准信息包括但不限于有第一电池的标准电压、标准容量以及标准温度；
基于所述电池标准信息从预设的数据库中调取对应的参数检查表。
3.根据权利要求1所述的基于状态监控的储能电池健康诊断方法，其特征在于，基于所述参数检查表创建电池校验路径的步骤，包括：
识别所述参数检查表的行项与列项；
在同时刻下，基于所述行项识别出检查类别，通过各项所述检查类别确认出电池校验路径的路径数目；
在同时刻下，基于所述列项识别出与检查类别对应的各个电池细项参数；
生成与所述路径数目对应的校验路径，并在所述校验路径上对应的添加各个电池细项参数作为校验节点，生成电池校验路径。
4.根据权利要求1所述的基于状态监控的储能电池健康诊断方法，其特征在于，通过所述电池校验路径的路径数目及校验节点，调取对应的校验嵌套结构进行混合，生成结构诊断模型的步骤，包括：
当所述路径数目为1时，从数据库中调取一项与电路校验路径匹配的校验嵌套结构，并将校验嵌套结构作为结构诊断模型进行诊断过程。
5.根据权利要求1所述的基于状态监控的储能电池健康诊断方法，其特征在于，通过所述电池校验路径的路径数目及校验节点，调取对应的校验嵌套结构进行混合，生成结构诊断模型的步骤，包括：
当所述路径数目为N时，将N项所述电池校验路径进行向量化，得到N项电池校验向量，其中N为大于1的正向整数；
基于各个所述电池校验路径上相似的校验节点，将各个相似的校验节点进行叠合，进而叠合各个电池校验向量，形成向量结构图；
基于所述向量结构图上的各个节点，对应调取各个对应的校验嵌套结构；
利用各个所述校验嵌套结构识别向量结构图，以识别出向量结构图中的各个诊断向量，所述诊断向量包括直线形式向量或节点弯折形式向量；
将各个校验嵌套结构在卷积层上进行叠合混合，得到结构诊断模型。
6.根据权利要求4或5所述的基于状态监控的储能电池健康诊断方法，其特征在于，基于所述结构诊断模型对电池参数进行诊断处理，得到诊断结果的步骤，包括：
将所述电池参数向量化，得到一条适应于结构诊断模型的电池参数向量；
将所述电池参数向量从上至下依次通过结构诊断模型的各个卷积层，并基于各个卷积层上的向量结构图对电池参数向量进行电池参数诊断，其中，电池参数诊断为将电池参数向量与诊断向量进行比对，由比对长度结果以及比对方向结果确定出电池参数向量的异常信息；
若识别出所述异常信息，则由各个卷积层将异常信息从侧部带出，并作为所述诊断结果输出。
7.根据权利要求6所述的基于状态监控的储能电池健康诊断方法，其特征在于，所述由比对长度结果以及比对方向结果确定出电池参数向量的异常信息的步骤，包括：
识别电池参数向量与诊断向量的长度差以及方向差；
基于预获取的电池标准信息，判断长度差以及方向差对应的信息是否属于可克服差距；
若否，则认定异常信息无法克服，无法执行换电过程。
8.一种基于状态监控的储能电池健康诊断装置，其特征在于，包括：
获取单元，用于获取插入于换电柜的第一电池所对应的电池参数，并从数据库中调取与所述电池参数匹配的参数检查表，并将所述电池参数输入至参数检查表内对应位置；
路径单元，用于基于所述参数检查表创建电池校验路径，所述电池校验路径包括一项或多项；
模型单元，用于通过所述电池校验路径的路径数目及校验节点，调取对应的校验嵌套结构进行混合，生成结构诊断模型；
诊断单元，用于基于所述结构诊断模型对电池参数进行诊断处理，得到诊断结果。
9.一种计算机设备，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7中任一项所述基于状态监控的储能电池健康诊断方法的步骤。
10.一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7中任一项所述的基于状态监控的储能电池健康诊断方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311034412.2A CN116774090B (zh) | 2023-08-17 | 2023-08-17 | 基于状态监控的储能电池健康诊断方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311034412.2A CN116774090B (zh) | 2023-08-17 | 2023-08-17 | 基于状态监控的储能电池健康诊断方法、装置及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116774090A true CN116774090A (zh) | 2023-09-19 |
| CN116774090B CN116774090B (zh) | 2023-10-31 |
Family
ID=88008342
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311034412.2A Active CN116774090B (zh) | 2023-08-17 | 2023-08-17 | 基于状态监控的储能电池健康诊断方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116774090B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20150001192A (ko) * | 2013-06-26 | 2015-01-06 | 권동채 | 전기자전거용 배터리의 기능검사시스템 |
| US20180143257A1 (en) * | 2016-11-21 | 2018-05-24 | Battelle Energy Alliance, Llc | Systems and methods for estimation and prediction of battery health and performance |
| CA3070569A1 (en) * | 2017-07-28 | 2019-01-31 | Northstar Battery Company, Llc | Systems and methods for monitoring and presenting battery information |
| CN111443293A (zh) * | 2020-03-30 | 2020-07-24 | 青岛大学 | 一种基于数据驱动的锂电池健康状态soh估算方法 |
| CN111652348A (zh) * | 2020-02-29 | 2020-09-11 | 上海电力大学 | 一种基于改进cnn的动力电池组故障融合诊断方法及系统 |
| CN112956064A (zh) * | 2018-06-19 | 2021-06-11 | B·E·蔡尔 | 带有蓄电池诊断、蓄电池寿命预测的特定类别工业蓄电池优化和修复设备以及人工智能装置 |
| US20210271711A1 (en) * | 2020-02-27 | 2021-09-02 | Oracle International Corporation | Vectorized queues for shortest-path graph searches |
| CN114797113A (zh) * | 2022-05-11 | 2022-07-29 | 上海幻电信息科技有限公司 | 基于图卷积的资源预测方法及装置 |
| CN115453365A (zh) * | 2022-08-05 | 2022-12-09 | 福建星云电子股份有限公司 | 一种电池自动测试方法 |
| CN116582135A (zh) * | 2022-02-08 | 2023-08-11 | 爱思开海力士有限公司 | 通过识别不可靠校验节点提高bf解码器的错误平层性能 |
-
2023
- 2023-08-17 CN CN202311034412.2A patent/CN116774090B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20150001192A (ko) * | 2013-06-26 | 2015-01-06 | 권동채 | 전기자전거용 배터리의 기능검사시스템 |
| US20180143257A1 (en) * | 2016-11-21 | 2018-05-24 | Battelle Energy Alliance, Llc | Systems and methods for estimation and prediction of battery health and performance |
| US20190187212A1 (en) * | 2016-11-21 | 2019-06-20 | Battelle Energy Alliance, Llc | Systems and methods for estimation and prediction of battery health and performance |
| CA3070569A1 (en) * | 2017-07-28 | 2019-01-31 | Northstar Battery Company, Llc | Systems and methods for monitoring and presenting battery information |
| CN112956064A (zh) * | 2018-06-19 | 2021-06-11 | B·E·蔡尔 | 带有蓄电池诊断、蓄电池寿命预测的特定类别工业蓄电池优化和修复设备以及人工智能装置 |
| US20210271711A1 (en) * | 2020-02-27 | 2021-09-02 | Oracle International Corporation | Vectorized queues for shortest-path graph searches |
| CN111652348A (zh) * | 2020-02-29 | 2020-09-11 | 上海电力大学 | 一种基于改进cnn的动力电池组故障融合诊断方法及系统 |
| CN111443293A (zh) * | 2020-03-30 | 2020-07-24 | 青岛大学 | 一种基于数据驱动的锂电池健康状态soh估算方法 |
| CN116582135A (zh) * | 2022-02-08 | 2023-08-11 | 爱思开海力士有限公司 | 通过识别不可靠校验节点提高bf解码器的错误平层性能 |
| CN114797113A (zh) * | 2022-05-11 | 2022-07-29 | 上海幻电信息科技有限公司 | 基于图卷积的资源预测方法及装置 |
| CN115453365A (zh) * | 2022-08-05 | 2022-12-09 | 福建星云电子股份有限公司 | 一种电池自动测试方法 |
Non-Patent Citations (3)
| Title |
|---|
| MINGQIANG LIN ET AL.: "A multi-feature-based multi-model fusion method for state of health estimation of lithium-ion batteries", JOURNAL OF POWER SOURCES, vol. 518, pages 1 - 8 * |
| XINGHUA LIU ET AL.: "Health estimation of lithium-ion batteries with voltage reconstruction and fusion model", ENERGY, vol. 282, pages 1 - 10 * |
| 李昂: "基于对抗神经网络和语义分割技术的 图像超分辨率系统的研发和应用", 有线电视技术, no. 11, pages 28 - 33 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116774090B (zh) | 2023-10-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10650616B2 (en) | Fault diagnosis using distributed PCA architecture | |
| US5687094A (en) | Design verification apparatus | |
| US10488384B2 (en) | System and method for assessing power transformers | |
| CN111241154A (zh) | 一种基于大数据的蓄电池故障预警方法及系统 | |
| US20210232126A1 (en) | Quality monitoring of industrial processes | |
| CN109948276B (zh) | 失效分析方法、装置、设备和存储介质 | |
| Manimuthu et al. | Modelling and analysis of artificial intelligence for commercial vehicle assembly process in VUCA world: a case study | |
| CN107291063A (zh) | 用于监控技术设施的运行的诊断装置和诊断方法 | |
| Marshall et al. | Warranty cost analysis: Increasing warranty repair times | |
| Wahyudin et al. | A framework for defect prediction in specific software project contexts | |
| He et al. | Voltage abnormality-based fault diagnosis for batteries in electric buses with a self-adapting update model | |
| CN116184210A (zh) | 电池异常检测方法、装置、系统和电子装置 | |
| CN116774090B (zh) | 基于状态监控的储能电池健康诊断方法、装置及设备 | |
| Cabral et al. | Fraud detection in high voltage electricity consumers using data mining | |
| Lefebvre et al. | Diagnosis of Structural and Temporal Faults for $ k $-Bounded Non-Markovian Stochastic Petri Nets | |
| CN111178556A (zh) | 电量异常检测方法、装置、计算机设备和可读存储介质 | |
| KR20180014978A (ko) | 전장용 소프트웨어 안전성 분석 방법 및 장치 | |
| CN116048032A (zh) | 基于互联网的石油化工生产安全监测方法及系统 | |
| CN115140075A (zh) | 车辆预期功能安全的量化评估方法、装置、设备及介质 | |
| CN112070535A (zh) | 电动汽车价格预测方法和装置 | |
| CN110865939B (zh) | 应用程序质量监测方法、装置、计算机设备和存储介质 | |
| CN112883590A (zh) | 系统可靠性验证试验方案确定方法 | |
| CN110751747A (zh) | 一种数据处理方法及装置 | |
| Zorin et al. | Reliability and risk assessment of machine building items according to diagnostics results | |
| Shitova | APPROACH TO CLASSIFYING MEASURING INSTRUMENTS AS INDICATORS, TAKING INTO ACCOUNT THE PROBABLE RISK |
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 |