CN116819378B - 储能电池异常检测方法及装置 - Google Patents
储能电池异常检测方法及装置 Download PDFInfo
- Publication number
- CN116819378B CN116819378B CN202311094370.1A CN202311094370A CN116819378B CN 116819378 B CN116819378 B CN 116819378B CN 202311094370 A CN202311094370 A CN 202311094370A CN 116819378 B CN116819378 B CN 116819378B
- Authority
- CN
- China
- Prior art keywords
- component
- energy storage
- average voltage
- storage battery
- voltage
- 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
- 238000004146 energy storage Methods 0.000 title claims abstract description 108
- 230000005856 abnormality Effects 0.000 title claims abstract description 29
- 238000001514 detection method Methods 0.000 title claims abstract description 18
- 230000003068 static effect Effects 0.000 claims abstract description 56
- 238000000034 method Methods 0.000 claims abstract description 50
- 238000005259 measurement Methods 0.000 claims abstract description 32
- 230000002159 abnormal effect Effects 0.000 claims abstract description 31
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 26
- 239000011159 matrix material Substances 0.000 claims description 30
- 238000011524 similarity measure Methods 0.000 claims description 25
- 238000005070 sampling Methods 0.000 claims description 16
- 125000002347 octyl group Chemical group [H]C([*])([H])C([H])([H])C([H])([H])C([H])([H])C([H])([H])C([H])([H])C([H])([H])C([H])([H])[H] 0.000 claims description 5
- 210000004027 cell Anatomy 0.000 description 25
- 230000008569 process Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 210000000352 storage cell Anatomy 0.000 description 2
- 238000002759 z-score normalization Methods 0.000 description 2
- 101100460704 Aspergillus sp. (strain MF297-2) notI gene Proteins 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 241000764238 Isis Species 0.000 description 1
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 235000014435 Mentha Nutrition 0.000 description 1
- 241001072983 Mentha Species 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000003487 electrochemical reaction Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 235000014569 mints Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation 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]
- G01R31/396—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)
Abstract
本发明提出一种储能电池异常检测方法及装置，涉及储能电池技术领域，方法包括：对待测储能电池中各个电池单元的连续电压序列信号进行辛几何模态分解，得到多组不同电压频率的单分量；将各组不同电压频率的单分量中的最低电压频率分量以及第二最低电压频率相加获得的分量定义为表征各个电池单元内部状态的静态分量；计算出各个静态分量与待测储能电池的扩展平均电压分量之间相似性度量；基于相似性度量，判断出待测储能电池中各个电池单元是否异常，由此，根据各个电池单元的静态分量与扩展平均电压分量之间相似性度量，可以在热失控前较长时间实现待测储能电池中各个电池单元异常状态的精准判断，具有较强的鲁棒性、高可靠性和长时间尺度预警。
Description
技术领域
本发明涉及储能电池技术领域，尤其涉及一种储能电池异常检测方法、装置、电子设备及存储介质。
背景技术
储能电池应用于电子消费品、电动汽车、分布式储能、大规模储能等不同场景。作为一类典型的涉及复杂电化学反应/传递机理的能量储存装置，储能电池本身存在较高安全隐患。储能电池电池可能会发生各种异常情况，导致电池加速退化，甚至发生安全事故，如热失控、火灾和爆炸等。
储能电池异常诊断对于确保储能电池的可靠性和安全性至关重要。相关技术中，储能电池异常诊断方法很难在基于真实测量数据的早期阶段检测异常，因为储能电池通常伴随着不一致性，难以与异常区分开来，故亟需一种更可靠的储能电池异常检测方法。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本发明的第一个目的在于提出一种储能电池异常检测方法，根据各个电池单元的静态分量与扩展平均电压分量之间相似性度量，可以在热失控前较长时间实现待测储能电池中各个电池单元异常状态的精准判断，具有较强的鲁棒性、高可靠性和长时间尺度预警。
本发明的第二个目的在于提出一种储能电池异常检测装置。
本发明的第三个目的在于提出一种电子设备。
本发明的第四个目的在于提出一种存储有计算机指令的非瞬时计算机可读存储介质。
为达上述目的，本发明第一方面实施例提出了一种储能电池异常检测方法，所述方法包括：
获取待测储能电池中各个电池单元的连续电压序列信号，并对各个所述连续电压序列信号进行辛几何模态分解，得到多组不同电压频率的单分量；
将各组不同电压频率的单分量中的最低电压频率分量以及第二最低电压频率相加获得的分量定义为表征各个电池单元内部状态的静态分量；
获取待测储能电池的扩展平均电压分量，并计算出各个所述静态分量与所述扩展平均电压分量之间相似性度量；
基于所述相似性度量，判断出待测储能电池中各个电池单元是否异常。
为达上述目的，本发明第二方面实施例提出了一种储能电池异常检测装置，所述装置包括：
分解模块，用于获取待测储能电池中各个电池单元的连续电压序列信号，并对各个所述连续电压序列信号进行辛几何模态分解，得到多组不同电压频率的单分量；
生成模块，用于将各组不同电压频率的单分量中的最低电压频率分量以及第二最低电压频率相加获得的分量定义为表征各个电池单元内部状态的静态分量；
计算模块，用于获取待测储能电池的扩展平均电压分量，并计算出各个所述静态分量与所述扩展平均电压分量之间相似性度量；
第一判断模块，用于基于所述相似性度量，判断出待测储能电池中各个电池单元是否异常。
为达上述目的，本发明第三方面实施例提出了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行第一方面所述的方法。
为了实现上述目的，本发明第四方面实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使所述计算机执行第一方面所述的方法。
本发明实施例提供的储能电池异常检测方法、装置、电子设备和存储介质，对待测储能电池中各个电池单元的连续电压序列信号进行辛几何模态分解，得到多组不同电压频率的单分量；将各组不同电压频率的单分量中的最低电压频率分量以及第二最低电压频率相加获得的分量定义为表征各个电池单元内部状态的静态分量；计算出各个静态分量与待测储能电池的扩展平均电压分量之间相似性度量；基于相似性度量，判断出待测储能电池中各个电池单元是否异常，由此，根据各个电池单元的静态分量与扩展平均电压分量之间相似性度量，可以在热失控前较长时间实现待测储能电池中各个电池单元异常状态的精准判断，具有较强的鲁棒性、高可靠性和长时间尺度预警。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本发明实施例所提供的一种储能电池异常检测方法的流程示意图；
图2为本发明实施例所提供的另一种储能电池异常检测方法的流程示意图；
图3为本发明实施例提供的一种储能电池异常检测装置的结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
其中，需要说明的是，本发明技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
下面参考附图描述本发明实施例的储能电池异常检测方法、装置、电子设备及存储介质。
图1为本发明实施例所提供的一种储能电池异常检测方法的流程示意图。
如图1所示，该方法包括以下步骤：
步骤101，获取待测储能电池中各个电池单元的连续电压序列信号，并对各个连续电压序列信号进行辛几何模态分解，得到多组不同电压频率的单分量。
可选地，待测储能电池可以为锂离子电池，但不仅限于此，该实施例对此不做具体限定。
可选地，可以通过传感器、信号采集装置或来电池管理系统（BATTERY MANAGEMENTSYSTEM，BMS）获取待测储能电池中各个电池单元的连续电压序列信号，但不仅限于此。
在一些实施例中，获取待测储能电池中各个电池单元的连续电压序列信号，并对各个连续电压序列信号进行辛几何模态分解，得到多组不同电压频率的单分量的一种实施方式可以为，基于待测储能电池中各个电池单元的连续电压序列信号，构造包含所有连续电压序列信号的轨迹矩阵；通过轨迹矩阵，构造哈密顿矩阵，并对哈密顿矩阵进行辛几何模态分解，以得到正交辛矩阵；将正交辛矩阵中变换为一维时间序列，其中，一维时间序列包括多个不同电压频率的单分量，由此，原始电压信号可以有效地分解为满足不同分析需求的单分量。
具体地，电池电压信号表示为的情况下，其中，n是数据长度。基于Takens嵌入定理，构造包含u所有信息的轨迹矩阵U：
（1）
其中：d是嵌入维数，τ是延迟时间，。
通过下述方法选择参数d和τ：首先，根据u的功率谱密度估计功率谱最大峰值Fmax的频率；然后，将频率设置为，其中/>是连续电压序列信号的采样频率。对于储能电池运行情况，Fs通常设置为0.1 Hz、0.2 Hz或1 Hz。如果λ小于10-3，则d设置为n/3，否则，d设置为1.2/λ。如果计算结果不是整数，则将d舍入为小于或等于该结果的最近整数。延迟时间τ为整数，设为1。
在完成轨迹矩阵U的构造后，通过U构造哈密顿矩阵M：
（2）
其中：对称矩阵A被定义为UTU。为获得辛几何矩阵，构造另一个哈密顿矩阵N：。正交辛矩阵Q则可以构造为：
（3）
其中：Q是具有其原型性质的正交辛矩阵，其作用为在变换期间保护N的结构。矩阵B是一个上三角矩阵。它可以通过对N采用施密特正交化获得，B的特征值为λ1，λ2，…，λd。由于实对称矩阵A2的特征值将等于B的特征值。因此，可以通过对B的特征值开方获得A的特征值：
而Qi（i=1，2…，d）是对应特征值σi的特征向量。
为了简化该过程，方程（3）中的Q可以用初等反射矩阵H代替，该矩阵通过对M进行舒尔分解而获得。分解后获得初始单分量Zi：
（4）
重构的矩阵Z可以表示为：
（5）
随后，实施对角平均以将维度的矩阵Zi转换成长度为n的时间序列。Zi的元素定义为zij，其中，/>，
且。若m<d，令；否则，/>。然后得到对角平均矩阵：
（6）
基于式（6），将重构矩阵Zi变换为一维时间序列Yi（y1，y2，…，yn），并获得d个不同电压频率的单分量：
（7）
步骤102，将各组不同电压频率的单分量中的最低电压频率分量以及第二最低电压频率相加获得的分量定义为表征各个电池单元内部状态的静态分量。
可选地，在上述维数为的连续电压序列信号u被分解为具有各种趋势和频带的维数为/>的Y的情况下。由于一些具有相似特征的单分量需要重构。利用分量相关性和周期的相似性来重构分量。考虑到电压的静态部分和开路电压OCV曲线之间的相似趋势，可以将最低电压频率分量Y1和第二最低电压频率Y2相加获得的分量定义为表征各个电池单元内部状态的静态分量。
此外，还可以将最低电压频率分量Y1和第二最低电压频率Y2从原始电压中减去静态分量的剩余之和定义为动态分量，其中，动态分量也用于表征电池内部状态，由此，将重构后，连续电压序列信号可以有效地分解为满足不同分析需求的静态分量和动态分量。
步骤103，获取待测储能电池的扩展平均电压分量，并计算出各个静态分量与扩展平均电压分量之间相似性度量。
在一些实施例中，获取待测储能电池的扩展平均电压分量，并计算出各个静态分量与扩展平均电压分量之间相似性度量的一种实施方式可以为，获取待测储能电池中各个电池单元的N个离散采样时刻的原始电压序列信号；根据各个电池单元在目标时刻的电压，以及原始电压序列信号的采样时间间隔，确定各个电池单元的平均电压分量；根据各个电池单元的平均电压分量，确定待测储能电池的扩展平均电压分量，并计算出各个静态分量与扩展平均电压分量之间相似性度量，由此，保障扩展平均电压分量可靠性的同时，准确计算各个静态分量与扩展平均电压分量之间相似性度量。
可选地，根据各个电池单元的平均电压分量，确定待测储能电池的扩展平均电压分量，并计算出各个静态分量与扩展平均电压分量之间相似性度量的一种实施方式可以为，根据各个电池单元的平均电压分量，确定待测储能电池的扩展平均电压分量，并计算出各个静态分量与扩展平均电压分量之间欧式距离；将各个静态分量与扩展平均电压分量之间欧式距离作为各个静态分量与扩展平均电压分量之间相似性度量。
具体地，以BMS获取的数据为例，由于从BMS获取原始电压序列信号的采样时间间隔不是一个恒定值，通常在1s-10s之间，因此直接使用不同段中具有不同长度的同一电池单元原始电压序列信号计算误差较大。因此需要对BMS采集获得的原始电压序列信号进行预处理。本发明采用扩展平均电压法来进行处理。
假设用来自M个电池单元的N个离散采样时刻观察到的所选原始电压序列信号表示为（8）：
（8）
每个段的第j个电池单体（j=1，2，…，M）的平均电压分量计算如下：
（9）
其中，vk,j表示采样时刻k的第j个电池单体的电压，Δtk是从时刻k到k+1的时间间隔。扩展电压法将采样时间间隔视为电压的加权因子，以避免采样时间不一致导致的误差。此外，由于在充电期间电流分布更稳定，并且后续会选择表征电池内部状态的静态分量用于放电过程的分析，因此在等式（9）中不使用电流。
由于异常电池单体的数量是少数且比正常电池单体少得多，这些异常单体的电压异常不会影响平均电压的趋势。因此，可以采用M个电池的平均扩展平均电压用作距离计算的稳定“虚拟电池”：
（10）
由式（10）计算的扩展平均电压是维度量，难以确定阈值。因此，使用Z分数归一化来消除维度，并获得每个片段中的归一化扩展平均电压：
(11)
其中：σEAV表示扩展平均电压的标准差。
可选地，可以根据动态时间规整距离与最小翘曲路径W的距离，确定各个静态分量与扩展平均电压分量之间欧式距离，动态时间规整距离与最小翘曲路径W的距离如等式（12）所示：
(12)
其中，v是“平均电池”的电压序列信号，wk=（a,b）表示vj中的点a和中的点b之间的欧氏距离，其详细规则如式（13）所示：
（13）
其中w1表示vj中的第一点和中的第一个点之间的欧氏距离；wk表示vj的最后一个点N和/>中最后一个N之间的欧氏距离；/>是k-1时刻vj中的点a’和/>中的点b’之间的欧式距离，/>。同样，采用Z分数归一化进行处理。
步骤104，基于相似性度量，判断出待测储能电池中各个电池单元是否异常。
可选地，在相似性度量为欧式距离的情况下，将欧式距离与预设的异常距离阈值进行比较，以根据比较结果，进而判断出待测储能电池中各个电池单元是否异常。
本发明实施例的储能电池异常检测方法，对待测储能电池中各个电池单元的连续电压序列信号进行辛几何模态分解，得到多组不同电压频率的单分量；将各组不同电压频率的单分量中的最低电压频率分量以及第二最低电压频率相加获得的分量定义为表征各个电池单元内部状态的静态分量；计算出各个静态分量与待测储能电池的扩展平均电压分量之间相似性度量；基于相似性度量，判断出待测储能电池中各个电池单元是否异常，由此，根据各个电池单元的静态分量与扩展平均电压分量之间相似性度量，可以在热失控前较长时间实现待测储能电池中各个电池单元异常状态的精准判断，具有较强的鲁棒性、高可靠性和长时间尺度预警。
为了清楚说明上一实施例，图2为本发明实施例所提供的另一种储能电池异常检测方法的流程示意图。
步骤201，获取待测储能电池中各个电池单元的连续电压序列信号，并对各个连续电压序列信号进行辛几何模态分解，得到多组不同电压频率的单分量。
步骤202，将各组不同电压频率的单分量中的最低电压频率分量以及第二最低电压频率相加获得的分量定义为表征各个电池单元内部状态的静态分量。
步骤203，获取待测储能电池的扩展平均电压分量，并计算出各个静态分量与扩展平均电压分量之间相似性度量。
步骤204，基于相似性度量，判断出待测储能电池中各个电池单元是否异常。
其中，需要说明的是，关于步骤201至步骤204的具体实现方式，可参见上述实施例中的相关描述。
步骤205，基于密度的噪声应用空间聚类法各个相似性度量进行聚类，以得到各个相似性度量的几何特征。
在一些实施例中，基于密度的噪声应用空间聚类法可以为DBSCAN，其中，在基于密度的方法DBSCAN中，聚类被认为是由低密度点包围的一组高密度点，其中低密度点作为噪声点。DBSCAN是从集群中所有相关数据点中提取有噪声数据的方法。为了形成一个集群，DBSCAN方法中先选择一个点p，然后尝试确定指定半径Eps内p的所有邻点。如果点数达到某个阈值Minpts，则形成集群，Eps和Minpts都是需要指定的参数，根据实际需要人工设置或通过训练获得。DBSCAN中使用一些概念来定义集群，这些概念及其定义如下。
核心点：如果p邻域内的点数超过Eps半径内的某个给定阈值Minpts，则点p称为核心点。
边界点：其邻域点的数量少于Eps中的Minpts，但位于核心点附近。
噪声点（离群点）：它是既不是核心点也不是边界点的任何点。
密度可达性：如果q在p的Eps邻域内并且p是核心对象，则对象q可以从对象p直接密度可达。
密度连通性：如果存在对象o，则对象p相对于Eps和Mpts与对象q的密度连通，从而p和q相对于Eps或Mpts都可以从o达到密度。
DBSCAN将关于数据集D中的Eps和Minpts的簇C定义为D中的非空集合，该集合满足最大性和连通性的条件：
极大性：如果p属于C，q是p相对于Eps和Minpts可达到的密度，则q属于C。
连接性：p和q属于C，那么p是从q到D中Eps和Minpts的密度连接。
步骤206，根据各个相似性度量的几何特征，判断待测储能电池中各个电池单元的异常类型。
在一些实施例中，根据各个相似性度量的不同的几何特征，对不同类别的电池单元进行分类，由此，可以训练一个分类模型对各个相似性度量的几何特征进行分类，进而完成各个电池单元的异常类型的分类。
本发明实施例的储能电池异常检测方法，对待测储能电池中各个电池单元的连续电压序列信号进行辛几何模态分解，得到多组不同电压频率的单分量；将各组不同电压频率的单分量中的最低电压频率分量以及第二最低电压频率相加获得的分量定义为表征各个电池单元内部状态的静态分量；计算出各个静态分量与待测储能电池的扩展平均电压分量之间相似性度量；基于相似性度量，判断出待测储能电池中各个电池单元是否异常，基于密度的噪声应用空间聚类法各个相似性度量进行聚类，以得到各个相似性度量的几何特征；根据各个相似性度量的几何特征，判断待测储能电池中各个电池单元的异常类型。由此，基于对相似性度量的聚类结果，可以检测电池单体异常演变过程和电压异常类型，并实现电池单体异常和电池单体不一致性之间的区分。
为了实现上述实施例，本发明还提出一种储能电池异常检测装置。
图3为本发明实施例提供的一种储能电池异常检测装置的结构示意图。
如图3所示，该储能电池异常检测装置30包括：分解模块31，生成模块32、计算模块33以及第一判断模块34。
分解模块31，用于获取待测储能电池中各个电池单元的连续电压序列信号，并对各个所述连续电压序列信号进行辛几何模态分解，得到多组不同电压频率的单分量；
生成模块32，用于将各组不同电压频率的单分量中的最低电压频率分量以及第二最低电压频率相加获得的分量定义为表征各个电池单元内部状态的静态分量；
计算模块33，用于获取待测储能电池的扩展平均电压分量，并计算出各个所述静态分量与所述扩展平均电压分量之间相似性度量；
第一判断模块34，用于基于所述相似性度量，判断出待测储能电池中各个电池单元是否异常。
进一步地，在本发明实施例的一种可能的实现方式中，所述分解模块31，具体用于：
基于所述待测储能电池中各个电池单元的连续电压序列信号，构造包含所有连续电压序列信号的轨迹矩阵；
通过所述轨迹矩阵，构造哈密顿矩阵，并对所述哈密顿矩阵进行辛几何模态分解，以得到正交辛矩阵；
将所述正交辛矩阵中变换为一维时间序列，其中，所述一维时间序列包括多个不同电压频率的单分量。
进一步地，在本发明实施例的一种可能的实现方式中，所述计算模块33，包括：
获取单元，用于获取待测储能电池中各个电池单元的N个离散采样时刻的原始电压序列信号；
确定单元，用于根据各个所述电池单元在目标时刻的电压，以及原始电压序列信号的采样时间间隔，确定各个所述电池单元的平均电压分量；
计算单元，用于根据各个所述电池单元的平均电压分量，确定待测储能电池的扩展平均电压分量，并计算出各个所述静态分量与所述扩展平均电压分量之间相似性度量。
进一步地，在本发明实施例的一种可能的实现方式中，所述计算单元，具体用于：
根据各个所述电池单元的平均电压分量，确定待测储能电池的扩展平均电压分量，并计算出各个所述静态分量与所述扩展平均电压分量之间欧式距离；
将各个所述静态分量与所述扩展平均电压分量之间欧式距离作为各个所述静态分量与所述扩展平均电压分量之间相似性度量。
进一步地，在本发明实施例的一种可能的实现方式中，所述装置，还包括：
聚类模块，用于基于密度的噪声应用空间聚类法各个所述相似性度量进行聚类，以得到各个所述相似性度量的几何特征；
第二判断模块，用于根据各个所述相似性度量的几何特征，判断待测储能电池中各个电池单元的异常类型。
需要说明的是，前述对方法实施例的解释说明也适用于该实施例的装置，此处不再赘述。
本发明实施例的储能电池异常检测装置，对待测储能电池中各个电池单元的连续电压序列信号进行辛几何模态分解，得到多组不同电压频率的单分量；将各组不同电压频率的单分量中的最低电压频率分量以及第二最低电压频率相加获得的分量定义为表征各个电池单元内部状态的静态分量；计算出各个静态分量与待测储能电池的扩展平均电压分量之间相似性度量；基于相似性度量，判断出待测储能电池中各个电池单元是否异常，由此，根据各个电池单元的静态分量与扩展平均电压分量之间相似性度量，可以在热失控前较长时间实现待测储能电池中各个电池单元异常状态的精准判断，具有较强的鲁棒性、高可靠性和长时间尺度预警。
为了实现上述实施例，本发明还提出一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述的方法。
为了实现上述实施例，本发明还提出一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使所述计算机执行前述的方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、 “示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置），便携式计算机盘盒（磁装置），随机存取存储器（RAM），只读存储器（ROM），可擦除可编辑只读存储器（EPROM或闪速存储器），光纤装置，以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形似实现，也可以采用软件功能模块的形似实现。所述集成的模块如果以软件功能模块的形似实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (12)
1.一种储能电池异常检测方法，其特征在于，所述方法包括：
获取待测储能电池中各个电池单元的连续电压序列信号，并对各个所述连续电压序列信号进行辛几何模态分解，得到多组不同电压频率的单分量；
将各组不同电压频率的单分量中的最低电压频率分量以及第二最低电压频率相加获得的分量定义为表征各个电池单元内部状态的静态分量；
获取待测储能电池的扩展平均电压分量，并计算出各个所述静态分量与所述扩展平均电压分量之间相似性度量；
基于所述相似性度量，判断出待测储能电池中各个电池单元是否异常；
其中，所述扩展平均电压分量为归一化扩展平均电压，所述归一化扩展平均电压表示为：
其中，Normalized EVAj表示每个段的第j个电池单体的归一化扩展平均电压，EVAj表示每个段的第j个电池单体的平均电压分量，，vk,j表示采样时刻k的第j个电池单体的电压，Δtk是从时刻k到k+1的时间间隔，EVAvirtual cell表示M个电池的平均扩展平均电压，/>，σEVA表示扩展平均电压的标准差。
2.根据权利要求1所述的方法，其特征在于，所述获取待测储能电池中各个电池单元的连续电压序列信号，并对各个所述连续电压序列信号进行辛几何模态分解，得到多组不同电压频率的单分量，包括：
基于所述待测储能电池中各个电池单元的连续电压序列信号，构造包含所有连续电压序列信号的轨迹矩阵；
通过所述轨迹矩阵，构造哈密顿矩阵，并对所述哈密顿矩阵进行辛几何模态分解，以得到正交辛矩阵；
将所述正交辛矩阵中变换为一维时间序列，其中，所述一维时间序列包括多个不同电压频率的单分量。
3.根据权利要求1所述的方法，其特征在于，所述获取待测储能电池的扩展平均电压分量，并计算出各个所述静态分量与所述扩展平均电压分量之间相似性度量，包括：
获取待测储能电池中各个电池单元的N个离散采样时刻的原始电压序列信号；
根据各个所述电池单元在目标时刻的电压，以及原始电压序列信号的采样时间间隔，确定各个所述电池单元的平均电压分量；
根据各个所述电池单元的平均电压分量，确定待测储能电池的扩展平均电压分量，并计算出各个所述静态分量与所述扩展平均电压分量之间相似性度量。
4.根据权利要求3所述的方法，其特征在于，所述根据各个所述电池单元的平均电压分量，确定待测储能电池的扩展平均电压分量，并计算出各个所述静态分量与所述扩展平均电压分量之间相似性度量，包括：
根据各个所述电池单元的平均电压分量，确定待测储能电池的扩展平均电压分量，并计算出各个所述静态分量与所述扩展平均电压分量之间欧式距离；
将各个所述静态分量与所述扩展平均电压分量之间欧式距离作为各个所述静态分量与所述扩展平均电压分量之间相似性度量。
5.根据权利要求1所述的方法，其特征在于，所述方法，还包括：
基于密度的噪声应用空间聚类法各个所述相似性度量进行聚类，以得到各个所述相似性度量的几何特征；
根据各个所述相似性度量的几何特征，判断待测储能电池中各个电池单元的异常类型。
6.一种储能电池异常检测装置，其特征在于，所述装置包括：
分解模块，用于获取待测储能电池中各个电池单元的连续电压序列信号，并对各个所述连续电压序列信号进行辛几何模态分解，得到多组不同电压频率的单分量；
生成模块，用于将各组不同电压频率的单分量中的最低电压频率分量以及第二最低电压频率相加获得的分量定义为表征各个电池单元内部状态的静态分量；
计算模块，用于获取待测储能电池的扩展平均电压分量，并计算出各个所述静态分量与所述扩展平均电压分量之间相似性度量；
第一判断模块，用于基于所述相似性度量，判断出待测储能电池中各个电池单元是否异常；
其中，所述扩展平均电压分量为归一化扩展平均电压，所述归一化扩展平均电压表示为：
其中，Normalized EVAj表示每个段的第j个电池单体的归一化扩展平均电压，EVAj表示每个段的第j个电池单体的平均电压分量，，vk,j表示采样时刻k的第j个电池单体的电压，Δtk是从时刻k到k+1的时间间隔，EVAvirtual cell表示M个电池的平均扩展平均电压，/>，σEVA表示扩展平均电压的标准差。
7.根据权利要求6所述的装置，其特征在于，所述分解模块，具体用于：
基于所述待测储能电池中各个电池单元的连续电压序列信号，构造包含所有连续电压序列信号的轨迹矩阵；
通过所述轨迹矩阵，构造哈密顿矩阵，并对所述哈密顿矩阵进行辛几何模态分解，以得到正交辛矩阵；
将所述正交辛矩阵中变换为一维时间序列，其中，所述一维时间序列包括多个不同电压频率的单分量。
8.根据权利要求6所述的装置，其特征在于，所述计算模块，包括：
获取单元，用于获取待测储能电池中各个电池单元的N个离散采样时刻的原始电压序列信号；
确定单元，用于根据各个所述电池单元在目标时刻的电压，以及原始电压序列信号的采样时间间隔，确定各个所述电池单元的平均电压分量；
计算单元，用于根据各个所述电池单元的平均电压分量，确定待测储能电池的扩展平均电压分量，并计算出各个所述静态分量与所述扩展平均电压分量之间相似性度量。
9.根据权利要求8所述的装置，其特征在于，所述计算单元，具体用于：
根据各个所述电池单元的平均电压分量，确定待测储能电池的扩展平均电压分量，并计算出各个所述静态分量与所述扩展平均电压分量之间欧式距离；
将各个所述静态分量与所述扩展平均电压分量之间欧式距离作为各个所述静态分量与所述扩展平均电压分量之间相似性度量。
10.根据权利要求6所述的装置，其特征在于，所述装置，还包括：
聚类模块，用于基于密度的噪声应用空间聚类法各个所述相似性度量进行聚类，以得到各个所述相似性度量的几何特征；
第二判断模块，用于根据各个所述相似性度量的几何特征，判断待测储能电池中各个电池单元的异常类型。
11.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行根据权利要求1-5中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311094370.1A CN116819378B (zh) | 2023-08-29 | 2023-08-29 | 储能电池异常检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311094370.1A CN116819378B (zh) | 2023-08-29 | 2023-08-29 | 储能电池异常检测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116819378A CN116819378A (zh) | 2023-09-29 |
| CN116819378B true CN116819378B (zh) | 2023-12-26 |
Family
ID=88115302
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311094370.1A Active CN116819378B (zh) | 2023-08-29 | 2023-08-29 | 储能电池异常检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116819378B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110824376A (zh) * | 2019-11-12 | 2020-02-21 | 东软睿驰汽车技术（沈阳）有限公司 | 一种电池包异常的检测方法、装置、存储介质和电子设备 |
| JP2020048383A (ja) * | 2018-09-21 | 2020-03-26 | 株式会社デンソー | 電池監視装置 |
| CN111898447A (zh) * | 2020-06-30 | 2020-11-06 | 西安理工大学 | 基于辛几何模态分解的风电机组故障特征提取方法 |
| CN115327425A (zh) * | 2022-10-14 | 2022-11-11 | 中国华能集团清洁能源技术研究院有限公司 | 基于统计的锂电池储能电站的多级异常检测方法及系统 |
| CN116184210A (zh) * | 2022-12-06 | 2023-05-30 | 浙江凌骁能源科技有限公司 | 电池异常检测方法、装置、系统和电子装置 |
| CN116298922A (zh) * | 2023-03-29 | 2023-06-23 | 华能澜沧江水电股份有限公司 | 电池故障检测方法、装置、电子设备及存储介质 |
| CN116400249A (zh) * | 2023-06-08 | 2023-07-07 | 中国华能集团清洁能源技术研究院有限公司 | 储能电池的检测方法及装置 |
| CN116400244A (zh) * | 2023-04-04 | 2023-07-07 | 华能澜沧江水电股份有限公司 | 储能电池的异常检测方法及装置 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP4152021A4 (en) * | 2020-11-27 | 2024-01-03 | LG Energy Solution, Ltd. | BATTERY DIAGNOSTIC DEVICE, BATTERY DIAGNOSTIC METHOD, BATTERY PACK AND VEHICLE |
| US20230137625A1 (en) * | 2021-11-01 | 2023-05-04 | GM Global Technology Operations LLC | Health monitoring methods for early fault detection in high voltage battery packs used in electric vehicles |
-
2023
- 2023-08-29 CN CN202311094370.1A patent/CN116819378B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2020048383A (ja) * | 2018-09-21 | 2020-03-26 | 株式会社デンソー | 電池監視装置 |
| CN110824376A (zh) * | 2019-11-12 | 2020-02-21 | 东软睿驰汽车技术（沈阳）有限公司 | 一种电池包异常的检测方法、装置、存储介质和电子设备 |
| CN111898447A (zh) * | 2020-06-30 | 2020-11-06 | 西安理工大学 | 基于辛几何模态分解的风电机组故障特征提取方法 |
| CN115327425A (zh) * | 2022-10-14 | 2022-11-11 | 中国华能集团清洁能源技术研究院有限公司 | 基于统计的锂电池储能电站的多级异常检测方法及系统 |
| CN116184210A (zh) * | 2022-12-06 | 2023-05-30 | 浙江凌骁能源科技有限公司 | 电池异常检测方法、装置、系统和电子装置 |
| CN116298922A (zh) * | 2023-03-29 | 2023-06-23 | 华能澜沧江水电股份有限公司 | 电池故障检测方法、装置、电子设备及存储介质 |
| CN116400244A (zh) * | 2023-04-04 | 2023-07-07 | 华能澜沧江水电股份有限公司 | 储能电池的异常检测方法及装置 |
| CN116400249A (zh) * | 2023-06-08 | 2023-07-07 | 中国华能集团清洁能源技术研究院有限公司 | 储能电池的检测方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116819378A (zh) | 2023-09-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Xu et al. | An improved CNN-LSTM model-based state-of-health estimation approach for lithium-ion batteries | |
| Yang et al. | A fractional-order model-based battery external short circuit fault diagnosis approach for all-climate electric vehicles application | |
| US10094806B2 (en) | Method and apparatus for monitoring battery state | |
| Patil et al. | A novel multistage Support Vector Machine based approach for Li ion battery remaining useful life estimation | |
| US20220357399A1 (en) | Battery temperature estimation method and apparatus, electronic device, and storage medium | |
| Zhou et al. | State of health estimation for lithium-ion batteries using geometric impedance spectrum features and recurrent Gaussian process regression | |
| CN113447828B (zh) | 一种基于贝叶斯神经网络的锂电池温度估计方法及系统 | |
| Yuan et al. | Early stage internal short circuit fault diagnosis for lithium-ion batteries based on local-outlier detection | |
| Chang et al. | Micro-fault diagnosis of electric vehicle batteries based on the evolution of battery consistency relative position | |
| CN111257753B (zh) | 一种电池系统故障诊断方法 | |
| CN116400244B (zh) | 储能电池的异常检测方法及装置 | |
| Wei et al. | Multiscale dynamic construction for abnormality detection and localization of Li-ion batteries | |
| Li et al. | A Novel Method for Lithium‐Ion Battery Fault Diagnosis of Electric Vehicle Based on Real‐Time Voltage | |
| CN117665590A (zh) | 基于多元多尺度样本熵的电化学储能电站电池故障预警方法和装置 | |
| Yang et al. | Multi-fault diagnosis for battery pack based on adaptive correlation sequence and sparse classification model | |
| Zhao et al. | Online surface temperature prediction and abnormal diagnosis of lithium-ion batteries based on hybrid neural network and fault threshold optimization | |
| Zhang et al. | A fast data analysis method for abnormity detecting of lithium-ion batteries in electric vehicles | |
| CN118091420A (zh) | 电池自放电检测方法、系统、设备和介质 | |
| CN113723496A (zh) | 一种电抗器铁心松动故障诊断方法、装置和设备 | |
| CN113391214A (zh) | 一种基于电池充电电压排名变化的电池微故障诊断方法 | |
| CN117949827A (zh) | 基于电化学阻抗检测的异常识别方法、系统及计算机设备 | |
| CN116819378B (zh) | 储能电池异常检测方法及装置 | |
| Wang et al. | An inconsistency fault diagnosis method for lithium-ion cells in the battery pack based on piecewise dimensionality reduction and outlier identification | |
| Han et al. | Electrochemical impedance spectroscopy image transformation-based convolutional neural network for diagnosis of external environment classification affecting abnormal aging of Li-ion batteries | |
| Ren et al. | Multi-fault diagnosis strategy based on a non-redundant interleaved measurement circuit and improved fuzzy entropy for the battery system |
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 |