CN116879763A - 一种基于卡尔曼滤波算法的电池故障预警方法 - Google Patents
一种基于卡尔曼滤波算法的电池故障预警方法 Download PDFInfo
- Publication number
- CN116879763A CN116879763A CN202311147066.9A CN202311147066A CN116879763A CN 116879763 A CN116879763 A CN 116879763A CN 202311147066 A CN202311147066 A CN 202311147066A CN 116879763 A CN116879763 A CN 116879763A
- Authority
- CN
- China
- Prior art keywords
- battery
- data
- matrix
- value
- early warning
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000001914 filtration Methods 0.000 title claims abstract description 30
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 21
- 239000011159 matrix material Substances 0.000 claims abstract description 107
- 238000004458 analytical method Methods 0.000 claims abstract description 35
- 238000004146 energy storage Methods 0.000 claims abstract description 30
- 238000007405 data analysis Methods 0.000 claims abstract description 8
- 230000002159 abnormal effect Effects 0.000 claims description 18
- 238000001514 detection method Methods 0.000 claims description 7
- 239000000178 monomer Substances 0.000 claims description 6
- 238000003672 processing method Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 abstract description 12
- 238000012423 maintenance Methods 0.000 abstract description 2
- 238000007726 management method Methods 0.000 description 11
- 238000005259 measurement Methods 0.000 description 9
- 125000003275 alpha amino acid group Chemical group 0.000 description 8
- 150000001875 compounds Chemical class 0.000 description 8
- 238000003745 diagnosis Methods 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000026676 system process Effects 0.000 description 3
- 230000009897 systematic effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
-
- 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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
- G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种基于卡尔曼滤波算法的电池故障预警方法,包括:实时采集储能电站的电池状态数据;对所述电池状态数据进行数据预处理;根据电池状态数据的类型,将数据预处理后的电池状态数据形成相应的状态数据矩阵;基于预处理后的状态数据矩阵,建立卡尔曼滤波故障预测模型,对储能电站的电池状态数据进行预测,获取状态数据预测值;建立电池故障预警系统,将状态数据预测值作为输入指标进行数据分析,获取故障预警结果;本发明利用卡尔曼滤波算法预测的电芯状态指标建立故障预警系统,通过一致性分析、偏差分析、超阈值分析将电池故障预警进行分级、分类、定位和处理,实现储能电站的智能化预警和安全运维。
Description
技术领域
本发明涉及储能电池技术领域,具体涉及一种基于卡尔曼滤波算法的电池故障预警方法。
背景技术
随着风电、光伏等新能源装机容量的不断提高,由于其天气依赖性和间断性,其引发的能源消纳问题日益凸显。为了解决这一问题,储能作为多种电力能源与电力需求之间的缓冲剂,其作用类似于蓄水池,对于电力系统的稳定性具有重要的作用。然而,储能行业蓬勃发展的背后,储能安全问题频频见诸报端。储能安全是一个系统性问题,其中导致储能安全事故的诱因众多,如电池管理系统、电缆线束、系统电气拓扑结构、预警监控消防系统、运行环境、安全管理等因素,尤其是电池本身存在许多潜在的安全风险。
为了保证储能电站的安全运行,电池故障的提前预警至关重要。目前已有的电池故障诊断方法分为基于电池机理模型的方法和基于统计学的方法。基于机理模型的方法包括电化学模型、等效电路模型等。这类模型方法往往针对某种特定工况,需要大量的电芯测试来保证模型的准确度,在实际的应用中很难推广开来。基于统计学的故障诊断相较于机理模型具有更好的灵活性和通用性。这类算法依托大量的数据样本,采用统计学和机器学习相结合的方法,基于大数据模型来实现对电池故障的诊断,已经得到越来越广泛的应用。
然而,目前已有的电池故障诊断方法主要针对已发生的故障进行诊断,缺乏对电池故障的提前预警研究。因此,通过对电池的电芯诊断来实现电池故障的提前预警对于保证储能电站的安全运行具有重要意义。
发明内容
为克服现有技术的缺陷,本发明提出了一种基于卡尔曼滤波算法的电池故障预警方法,可以实现对电池故障发生的提前预测,在故障未发生时将预警信息提前推送给客户,方便客户提前采取措施应对可能发生的安全问题进行安全管理,保障客户的安全以及电站的平稳运行。
本发明的目的可以通过以下技术方案来实现:
一种基于卡尔曼滤波算法的电池故障预警方法,包括以下步骤:
将云端数据平台实时采集储能电站的包括储能电池单体电压、电流、温度、SOC以及SOH的电池状态数据进行数据去重、数据查漏以及数据去噪后,按照电池状态数据的类型形成相应的状态数据矩阵;
基于状态数据矩阵,建立不断更新储能电池单体电压、电流、温度、SOC以及SOH估计值和协方差矩阵的卡尔曼滤波故障预测模型,对储能电站的储能电池单体电压、电流、温度、SOC以及SOH进行预测,获取状态数据预测值;
对状态数据预测值中的电池单体电压值、温度值以及SOC进行一致性分析,或/和对电池单体的SOC和SOH进行偏差分析,或/和对电池单体的电压、电流、温度和SOC进行超阈值分析,获取故障预警结果。
其中,所述卡尔曼滤波故障预测模型的建立步骤包括:
将当前时刻的数据矩阵获得估计值矩阵;
根据当前时刻的数据矩阵以及当前时刻的储能电池单体电压、电流、温度、SOC以及SOH获得当前时刻的协方差矩阵以及协方差估计值矩阵;
利用协方差估计值矩阵得到的卡尔曼增益矩阵和估计值矩阵得到状态数据预测值。
具体的,所述一种基于卡尔曼滤波算法的电池故障预警方法,包括以下步骤:
S1:通过云端数据平台实时采集储能电站的电池状态数据,所述电池状态数据至少包括单体电压值、电流值、温度值、SOC以及 SOH;
S2:对所述电池状态数据进行数据预处理,所述数据预处理包括数据去重、数据查漏以及数据去噪,提高状态数据的准确性和完整性;
S3:根据电池状态数据的类型,将数据预处理后的电池状态数据形成相应的状态数据矩阵;
S4:基于预处理后的状态数据矩阵,建立卡尔曼滤波故障预测模型,对储能电站的电池状态数据进行预测,通过对系统状态进行递推和更新,获取状态数据预测值;
S5:建立电池故障预警系统,将状态数据预测值作为输入指标进行数据分析,所述数据分析至少包括对所述电池单体电压值、温度值以及SOC进行一致性分析,对所述电池单体的SOC和SOH进行偏差分析以及对电池单体的电压、电流、温度和SOC进行超阈值分析,获取故障预警结果。
进一步的,所述数据去重即对于相同时间点的多条数据去除重复数据,只保留一条数据;包括采用保留最新数据或者计算平均值的方法进行去重;
所述数据查漏即填补缺失数据,对于缺失的数据,可以通过插值方法进行补齐;
所述数据去噪即滤除异常噪声,对于异常数据和无效数据,进行删除或修正处理,使用统计方法或者阈值方法来判断数据是否异常,通过计算数据的均值和标准差,将超过一定标准差范围之外的数据视为异常数据,并进行删除或者修正处理。
进一步的,所述状态数据矩阵的描述方式包括:状态数据矩阵的行表示电池单体编号,状态数据矩阵的列表示时间序列,状态数据矩阵的每个元素表示对应电池单体在相应时间点的状态数据值;所述状态数据矩阵包括电池的电压矩阵,电流矩阵,温度矩阵,SOC矩阵以及SOH矩阵。
具体的,电压矩阵的行代表电池单体的编号,列代表时间序列,电压矩阵元素表示对应电池单体在该时间点的电压值;电流矩阵的行代表电池单体的编号,列代表时间序列,电流矩阵元素表示对应电池单体在该时间点的电流值;温度矩阵的行代表电池单体的编号,列代表时间序列,温度矩阵元素表示对应电池单体在该时间点的温度值;SOC矩阵的行代表电池单体的编号,列代表时间序列,SOC矩阵元素表示对应电池单体在该时间点的SOC值;SOH矩阵的行代表电池单体的编号,列代表时间序列,SOH矩阵元素表示对应电池单体在该时间点的SOH值。
进一步的,所述卡尔曼滤波故障预测模型的建立步骤包括:
S41:初始化估计值,通过采集的数据预处理后的数据矩阵,将当前时段的状态数据作为初始估计值;
S42:初始化估计值与真实值之间的协方差当前时刻状态数据的系统误差协方差的估计值;
S43:计算基于当前时刻的状态对未来/>时刻的状态预测值/>,如式(1)所示:
(1)
式(1)中,表示状态转移矩阵,/>表示当前/>时刻状态的最优结果,/>表示控制输入矩阵,/>表示未来/>时刻对系统的控制量;
S44:计算状态预测值对应的协方差预测值/>,如式(2)所示:
(2)
式(2)中, 表示当前/>时刻协方差的最优结果, />表示系统过程噪声协方差矩阵;
S45:如式(3)所示,计算未来时刻的卡尔曼增益,并更新卡尔曼增益矩阵/>:
(3)
式(3)中,表示系统测量矩阵,/>表示测量噪声协方差矩阵;
S46:如式(4)所示,计算未来时刻的系统状态的最优估计值/>,并更新状态估计值:
(4)
式(4)中,表示未来/>时刻的系统状态测量值矩阵;
S47:如式(5)所示,计算未来时刻系统最优结果对应的协方差,并更新状态估计值和真实值之间的协方差矩阵:
(5)
式(5)中,表示单位矩阵;
S48:令,重复步骤S42~S47,不断迭代更新未来时刻的状态预测值。
该步骤根据卡尔曼滤波算法,利用数据预处理后的数据矩阵建立模型,通过不断更新估计值和协方差矩阵,实现对储能电池单体电压、电流、温度、SOC以及SOH状态数据的预测,类似的步骤也适用于其他状态数据的预测,只需将相关数据项替换并进行相应计算即可。
进一步的,所述一致性分析具体包括以下步骤:
S51:根据电池状态数据,将单体电池划分为若干簇,每簇包括物理位置和电气连接上相邻的电池单体;
S52:接收并记录每一簇电池单体的的电压、温度和SOC数据,分别计算电池单体的电压、温度和SOC的最高值和最低值,并获取这三个指标的差值,包括同一簇内电池单体的最高单体电压与最低单体电压差值、最高单体温度与最低单体温度差值、SOC最高与最低差值;
S53:根据三个指标的差值判断是否存在一致性异常;分别判断电池单体的电压、温度和SOC这三个指标的差值是否超过预设的一致性差值阈值,如果任一差值超过,则标记该簇的电池单体为一致性异常。
进一步的,所述偏差分析的步骤具体包括:
S61:根据卡尔曼滤波故障预测模型,预测电池单体的SOC和SOH;
S62:比较SOC预测值、SOH预测值与电池管理系统(BMS)上报的实际值,计算两者之间的偏差;
S63:判断偏差是否超过预设的偏差阈值,如果任一偏差超过,则标记该电池单体为偏差异常。
进一步的,所述超阈值分析的步骤具体包括:
S71:根据电池单体的电压、电流、温度和SOC,分别判断这四个指标是否超过预设的上限值或者低于预设的下限值;
S72:如果任一指标超过上限值或者低于下限值,则标记该电池单体为超阈值异常。
进一步的,所述故障预警的步骤具体包括:
S81:根据电池状态数据分析结果,包括电池一致性分析、偏差分析、超阈值分析的结果,确定电池单体存在的故障预警分类类型,并根据确定的故障预警分类类型,按照预设的故障预警分类标准,确定故障预警分类级别;
所述故障预警分类类型包括SOC一致性差、电压一致性差、温度一致性差、SOC估算偏差、SOH估算偏差、低温超限、电压数据无效、温度数据无效、SOC过低、高温超限、过充、过放以及过流;
所述故障预警分类级别包括一级预警、二级预警以及三级预警;
所述SOC一致性差、电压一致性差、温度一致性差、SOC估算偏差以及SOH估算偏差对应一级预警;所述低温超限、电压数据无效以及温度数据无效对应二级预警;所述SOC过低、高温超限、过充、过放以及过流对应三级预警;
S82:根据故障预警分类类型以及故障预警分类级别,按照预设的故障预警分类、故障预警分级、故障预警定位和故障处理方法,进行故障预警和处理;
故障预警定位包括电芯故障预警、热管理系统故障预警、电池控制系统故障预警以及外部控制系统故障预警;当故障预警定位于电芯的,归为电芯故障预警;当故障预警定位于热管理系统的,归为热管理系统故障预警;当故障预警定位于电池控制系统的,归为电池控制系统故障预警;当故障预警定位于外部控制系统的,归为外部控制系统故障预警;
在处理过程中,针对一级预警进行定期维护,对于二级预警,安排专业人员在24小时内进行检修,对于三级预警,立即停止电池的使用,并安排专业人员进行紧急检修。
与现有技术相比,本发明具有以下技术效果:
本发明利用卡尔曼滤波算法实现对储能电池的电芯状态的预测估计,同时依据预测的电芯状态指标包括电池单体的电压、电流、温度、SOC以及SOH建立故障预警系统,通过一致性分析、偏差分析、超阈值分析将电池故障预警进行分级、分类、定位和处理,实现储能电站的智能化预警和安全运维。
附图说明
图1为本发明流程图;
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,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于发明中的实施例,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,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
如图1所示,一种基于卡尔曼滤波算法的电池故障预警方法,包括以下步骤:
S1:通过云端数据平台实时采集储能电站的电池状态数据,所述电池状态数据至少包括单体电压值、电流值、温度值、SOC以及 SOH;
S2:对所述电池状态数据进行数据预处理,所述数据预处理包括数据去重、数据查漏以及数据去噪,提高状态数据的准确性和完整性;
所述数据去重即对于相同时间点的多条数据去除重复数据,只保留一条数据;包括采用保留最新数据或者计算平均值的方法进行去重,可以为每个时间点的数据设置一个时间戳,并使用时间戳进行比较,保留最新的数据,而丢弃重复的数据;
所述数据查漏即填补缺失数据,对于缺失的数据,可以通过插值方法进行补齐;常见的插值方法包括线性插值,根据相邻时间点的数据进行插值计算,例如,如果某个时间点的数据缺失,可以根据该时间点前后的数据进行线性插值,填补缺失值;
所述数据去噪即滤除异常噪声,对于异常数据和无效数据,进行删除或修正处理,使用统计方法或者阈值方法来判断数据是否异常,通过计算数据的均值和标准差,将超过一定标准差范围之外的数据视为异常数据,并进行删除或者修正处理。
S3:根据电池状态数据的类型,将数据预处理后的电池状态数据形成相应的状态数据矩阵;所述状态数据矩阵的行表示电池单体编号,状态数据矩阵的列表示时间序列,状态数据矩阵的每个元素表示对应电池单体在相应时间点的状态数据值,包括电池的电压矩阵,电流矩阵,温度矩阵,SOC矩阵以及SOH矩阵;
例如电压矩阵的行表示电池单体的编号,列表示时间序列,电压矩阵元素表示对应电池单体在该时间点的电压值;电流矩阵的行代表电池单体的编号,列代表时间序列,电流矩阵元素表示对应电池单体在该时间点的电流值;温度矩阵的行表示电池单体的编号,列表示时间序列,温度矩阵元素表示对应电池单体在该时间点的温度值;SOC矩阵的行表示电池单体的编号,列表示时间序列,SOC矩阵元素表示对应电池单体在该时间点的SOC值;SOH矩阵的行表示电池单体的编号,列表示时间序列,SOH矩阵元素表示对应电池单体在该时间点的SOH值。
S4:基于预处理后的状态数据矩阵,建立卡尔曼滤波故障预测模型,对储能电站的电池状态数据进行预测,通过对系统状态进行递推和更新,获取状态数据预测值;
所述卡尔曼滤波故障预测模型的建立步骤包括:
S41:初始化估计值,通过采集的数据预处理后的数据矩阵,将当前时段的状态数据作为初始估计值;
S42:初始化估计值与真实值之间的协方差 当前时刻状态数据的系统误差协方差的估计值;
S43:计算基于当前时刻的状态对未来/>时刻的状态预测值/>,如式(1)所示:
(1)
式(1)中,表示状态转移矩阵,/>表示当前/>时刻状态的最优结果,/>表示控制输入矩阵,/>表示未来/>时刻对系统的控制量;
S44:计算状态预测值对应的协方差预测值/>,如式(2)所示:
(2)
式(2)中, 表示当前/>时刻协方差的最优结果, />表示系统过程噪声协方差矩阵;
S45:如式(3)所示,计算未来时刻的卡尔曼增益,并更新卡尔曼增益矩阵/>:
(3)
式(3)中,表示系统测量矩阵,/>表示测量噪声协方差矩阵;
S46:如式(4)所示,计算未来时刻的系统状态的最优估计值/>,并更新状态估计值:
(4)
式(4)中,表示未来/>时刻的系统状态测量值矩阵;
S47:如式(5)所示,计算未来时刻系统最优结果对应的协方差,并更新状态估计值和真实值之间的协方差矩阵:
(5)
式(5)中,表示单位矩阵;
S48:令,重复步骤S42~S47,不断迭代更新未来时刻的状态预测值。
该步骤根据卡尔曼滤波算法,利用数据预处理后的数据矩阵建立模型,通过不断更新估计值和协方差矩阵,实现对储能电池单体电压、电流、温度、SOC以及SOH状态数据的预测,类似的步骤也适用于其他状态数据的预测,只需将相关数据项替换并进行相应计算即可。
关于卡尔曼参数包括系统过程噪声协方差矩阵、测量噪声协方差矩阵、状态估计值和真实值之间的协方差矩阵,调整卡尔曼参数过程中需注意:
过程噪声协方差矩阵越小越容易收敛,对模型预测的值信任度越高,该值越大,对测量值的信任度越高;
测量噪声协方差矩阵越大卡尔曼滤波响应会变慢,对新测量值的信任度降低,越小系统收敛越快;
状态估计值和真实值之间的协方差矩阵表示对当前预测值状态的信任度,越小说明越信任当前的预测状态,随着卡尔曼滤波的迭代,估计协方差值会不断改变,当系统进入稳态后估计协方差会收敛成一个最小的估计方差矩阵,此时的卡尔曼增益也是最优的,该值只影响初始收敛速度。
S5:建立电池故障预警系统,将状态数据预测值作为输入指标进行数据分析,所述数据分析至少包括对所述电池单体电压值、温度值以及SOC进行一致性分析,对所述电池单体的SOC和SOH进行偏差分析以及对电池单体的电压、电流、温度和SOC进行超阈值分析,获取故障预警结果。
所述一致性分析具体包括以下步骤:
S51:根据电池状态数据,将单体电池划分为若干簇,每簇包括物理位置和电气连接上相邻的电池单体;
S52:接收并记录每一簇电池单体的的电压、温度和SOC数据,分别计算电池单体的电压、温度和SOC的最高值和最低值,并获取这三个指标的差值,包括同一簇内电池单体的最高单体电压与最低单体电压差值、最高单体温度与最低单体温度差值、SOC最高与最低差值;
S53:根据三个指标的差值判断是否存在一致性异常;判断电池单体的电压、温度和SOC这三个指标的差值是否超过预设的一致性差值阈值,如果任一差值超过,则标记该簇的电池单体为一致性异常;
一致性异常可进一步细分为电压一致性异常、温度一致性异常以及SOC一致性异常,具体为:
若电池单体电压差值超过电压一致性差值阈值,则进一步标记为电压一致性差;
若电池单体温度差值超过温度一致性差值阈值,则进一步标记为温度一致性差;
若电池单体SOC差值超过SOC一致性差值阈值,则进一步标记为SOC一致性差。
所述偏差分析的步骤具体包括:
S61:根据卡尔曼滤波故障预测模型,预测电池单体的SOC和SOH;
S62:比较SOC预测值、SOH预测值与电池管理系统(BMS)上报的实际值,计算两者之间的偏差;
S63:判断偏差是否超过预设的偏差阈值,如果任一偏差超过,则标记该电池单体为偏差异常。
偏差异常可进一步细分为SOC偏差异常以及SOH偏差异常,具体为:
若电池单体SOC偏差超过SOC偏差阈值,则进一步标记为SOC估算偏差;
若电池单体SOH偏差超过SOH偏差阈值,则进一步标记为SOH估算偏差。
所述超阈值分析的步骤具体包括:
S71:根据电池单体的电压、电流、温度和SOC,分别判断这四个指标是否超过预设的上限值或者低于预设的下限值;
S72:如果任一指标超过上限值或者低于下限值,则标记该电池单体为超阈值异常。
所述超阈值异常可进一步细分为电压超阈值异常、电流超阈值异常、温度超阈值异常以及SOC超阈值异常,具体为:
若电池单体电压超过电压上限值,则进一步标记为过充,若电池单体电压低于电压下限值,则进一步标记为过放,若电池单体电压低于1V或高于4V,则进一步标记为电压数据无效;
若电池单体电流超过电流上限值,则进一步标记为过流,若电池单体电流低于电流下限值,则进一步标记为欠流;
若电池单体温度超过温度上限值,则进一步标记为高温超限,若电池单体温度低于温度下限值,则进一步标记为低温超限,另外,若电池单体温度与空调温度相差20度及以上,则进一步标记为温度数据无效;
若电池单体SOC超过SOC上限值,则进一步标记为SOC过高,若电池单体SOC低于SOC下限值,则进一步标记为SOC过低。
所述故障预警的步骤具体包括:
S81:根据电池状态数据分析结果,包括电池一致性分析、偏差分析、超阈值分析的结果,确定电池单体存在的故障预警分类类型,并根据确定的故障预警分类类型,按照预设的故障预警分类标准,确定故障预警分类级别;
如表1所示,所述故障预警分类类型包括SOC一致性差、电压一致性差、温度一致性差、SOC估算偏差、SOH估算偏差、低温超限、电压数据无效、温度数据无效、SOC过低、高温超限、过充、过放以及过流;
所述故障预警分类级别包括一级预警、二级预警以及三级预警;
所述SOC一致性差、电压一致性差、温度一致性差、SOC估算偏差以及SOH估算偏差对应一级预警;所述低温超限、电压数据无效以及温度数据无效对应二级预警;所述SOC过低、高温超限、过充、过放以及过流对应三级预警;
S82:根据故障预警分类类型以及故障预警分类级别,按照预设的故障预警分类、故障预警分级、故障预警定位和故障处理方法,进行故障预警和处理;
故障预警定位包括电芯故障预警、热管理系统故障预警、电池控制系统故障预警以及外部控制系统故障预警;当故障预警定位于电芯的,归为电芯故障预警;当故障预警定位于热管理系统的,归为热管理系统故障预警;当故障预警定位于电池控制系统的,归为电池控制系统故障预警;当故障预警定位于外部控制系统的,归为外部控制系统故障预警;
在处理过程中,针对一级预警进行定期维护,对于二级预警,安排专业人员在24小时内进行检修,对于三级预警,立即停止电池的使用,并安排专业人员进行紧急检修。
表1故障预警分级、分类、指标定义及处理方法
Claims (7)
1.一种基于卡尔曼滤波算法的电池故障预警方法,其特征在于,所述电池故障预警方法包括以下步骤:
将云端数据平台实时采集储能电站的包括储能电池单体电压、电流、温度、SOC以及SOH的电池状态数据进行数据去重、数据查漏以及数据去噪后,按照电池状态数据的类型形成相应的状态数据矩阵;
基于状态数据矩阵,建立不断更新储能电池单体电压、电流、温度、SOC以及SOH估计值和协方差矩阵的卡尔曼滤波故障预测模型,对储能电站的储能电池单体电压、电流、温度、SOC以及SOH进行预测,获取状态数据预测值;
对状态数据预测值中的电池单体电压值、温度值以及SOC进行一致性分析,或/和对电池单体的SOC和SOH进行偏差分析,或/和对电池单体的电压、电流、温度和SOC进行超阈值分析,获取故障预警结果;
其中,所述卡尔曼滤波故障预测模型的建立步骤包括:
将当前时刻的数据矩阵获得估计值矩阵;
根据当前时刻的数据矩阵以及当前时刻的储能电池单体电压、电流、温度、SOC以及SOH获得当前时刻的协方差矩阵以及协方差估计值矩阵;
利用协方差估计值矩阵得到的卡尔曼增益矩阵和估计值矩阵得到状态数据预测值。
2.根据权利要求1所述基于卡尔曼滤波算法的电池故障预警方法,其特征在于,所述数据去重即对于相同时间点的多条数据去除重复数据,只保留一条数据;所述数据查漏即填补缺失数据,对于缺失的数据,通过插值方法进行补齐;所述数据去噪即滤除异常噪声,对于异常数据和无效数据,进行删除或修正处理。
3.根据权利要求2所述基于卡尔曼滤波算法的电池故障预警方法,其特征在于,所述状态数据矩阵的描述方式包括:状态数据矩阵的行表示电池单体编号,状态数据矩阵的列表示时间序列,状态数据矩阵的每个元素表示对应电池单体在相应时间点的状态数据值,所述状态数据矩阵包括电池的电压矩阵,电流矩阵,温度矩阵,SOC矩阵以及SOH矩阵。
4.根据权利要求3所述基于卡尔曼滤波算法的电池故障预警方法,其特征在于, 所述一致性分析具体包括以下步骤:
根据电池状态数据,将单体电池划分为若干簇,每簇包括物理位置和电气连接上相邻的电池单体;
在每一簇中,分别计算电池单体的电压、温度和SOC的最高值和最低值,并获取这三个指标的差值;
判断这三个指标的差值是否超过预设的一致性差值阈值,如果任一差值超过,则标记该簇的电池单体为一致性异常。
5.根据权利要求4所述基于卡尔曼滤波算法的电池故障预警方法,其特征在于,所述偏差分析的步骤具体包括:
根据卡尔曼滤波故障预测模型,预测电池单体的SOC和SOH;
比较SOC预测值、SOH预测值与电池管理系统上报的实际值,计算两者之间的偏差;
判断偏差是否超过预设的偏差阈值,如果任一偏差超过,则标记该电池单体为偏差异常。
6.根据权利要求5所述基于卡尔曼滤波算法的电池故障预警方法,其特征在于,所述超阈值分析的步骤具体包括:
根据电池单体的电压、电流、温度和SOC,分别判断这四个指标是否超过预设的上限值或者低于预设的下限值;
如果任一指标超过上限值或者低于下限值,则标记该电池单体为超阈值异常。
7.根据权利要求6所述基于卡尔曼滤波算法的电池故障预警方法,其特征在于,所述故障预警的步骤具体包括:
根据电池状态数据分析结果,包括电池一致性分析、偏差分析、超阈值分析的结果,确定电池单体存在的故障预警分类类型,并根据确定的故障预警分类类型,按照预设的故障预警分类标准,确定故障预警分类级别;
根据故障预警分类类型以及故障预警分类级别,按照预设的故障预警分类、故障预警分级、故障预警定位和故障处理方法,进行故障预警和处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311147066.9A CN116879763A (zh) | 2023-09-07 | 2023-09-07 | 一种基于卡尔曼滤波算法的电池故障预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311147066.9A CN116879763A (zh) | 2023-09-07 | 2023-09-07 | 一种基于卡尔曼滤波算法的电池故障预警方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116879763A true CN116879763A (zh) | 2023-10-13 |
Family
ID=88263071
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311147066.9A Pending CN116879763A (zh) | 2023-09-07 | 2023-09-07 | 一种基于卡尔曼滤波算法的电池故障预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116879763A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117216603A (zh) * | 2023-11-07 | 2023-12-12 | 张家港长寿工业设备制造有限公司 | 一种管式降膜蒸发器故障预测方法及系统 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109061509A (zh) * | 2018-09-12 | 2018-12-21 | 芜湖楚睿智能科技有限公司 | 一种电池电量剩余值估算方法 |
CN110794305A (zh) * | 2019-10-14 | 2020-02-14 | 北京理工大学 | 一种动力电池故障诊断方法和系统 |
CN112083299A (zh) * | 2020-09-11 | 2020-12-15 | 国网重庆市电力公司北碚供电分公司 | 一种基于卡尔曼滤波的直流系统绝缘故障预测方法 |
CN113589189A (zh) * | 2021-08-30 | 2021-11-02 | 武汉理工大学 | 基于充放电数据特征的锂电池健康状况预测方法及装置 |
CN113960476A (zh) * | 2021-09-23 | 2022-01-21 | 北京理工大学 | 基于信息物理融合技术的动力电池故障监测方法及系统 |
CN114152880A (zh) * | 2022-02-08 | 2022-03-08 | 湖南大学 | 一种软包电池传感器故障在线检测方法 |
CN114740361A (zh) * | 2022-04-12 | 2022-07-12 | 湖南大学 | 基于长短期记忆神经网络模型的燃料电池电压预测方法 |
CN114839541A (zh) * | 2022-05-18 | 2022-08-02 | 山东大学 | 基于k均值聚类的动力电池组不一致性诊断方法及系统 |
CN115422496A (zh) * | 2022-08-16 | 2022-12-02 | 大连理工大学 | 推力故障下运载火箭质量和推力参数的联合校正辨识方法 |
CN115494401A (zh) * | 2022-11-14 | 2022-12-20 | 湖北工业大学 | 一种基于信息融合的动力电池云端数据清洗方法 |
CN115877222A (zh) * | 2023-02-14 | 2023-03-31 | 国网浙江省电力有限公司宁波供电公司 | 一种储能电站故障检测方法、装置、介质及储能电站 |
CN116413627A (zh) * | 2021-12-31 | 2023-07-11 | 卡特彼勒公司 | 用于对电池状态进行估计的方法及电池监控系统 |
-
2023
- 2023-09-07 CN CN202311147066.9A patent/CN116879763A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109061509A (zh) * | 2018-09-12 | 2018-12-21 | 芜湖楚睿智能科技有限公司 | 一种电池电量剩余值估算方法 |
CN110794305A (zh) * | 2019-10-14 | 2020-02-14 | 北京理工大学 | 一种动力电池故障诊断方法和系统 |
CN112083299A (zh) * | 2020-09-11 | 2020-12-15 | 国网重庆市电力公司北碚供电分公司 | 一种基于卡尔曼滤波的直流系统绝缘故障预测方法 |
CN113589189A (zh) * | 2021-08-30 | 2021-11-02 | 武汉理工大学 | 基于充放电数据特征的锂电池健康状况预测方法及装置 |
CN113960476A (zh) * | 2021-09-23 | 2022-01-21 | 北京理工大学 | 基于信息物理融合技术的动力电池故障监测方法及系统 |
CN116413627A (zh) * | 2021-12-31 | 2023-07-11 | 卡特彼勒公司 | 用于对电池状态进行估计的方法及电池监控系统 |
CN114152880A (zh) * | 2022-02-08 | 2022-03-08 | 湖南大学 | 一种软包电池传感器故障在线检测方法 |
CN114740361A (zh) * | 2022-04-12 | 2022-07-12 | 湖南大学 | 基于长短期记忆神经网络模型的燃料电池电压预测方法 |
CN114839541A (zh) * | 2022-05-18 | 2022-08-02 | 山东大学 | 基于k均值聚类的动力电池组不一致性诊断方法及系统 |
CN115422496A (zh) * | 2022-08-16 | 2022-12-02 | 大连理工大学 | 推力故障下运载火箭质量和推力参数的联合校正辨识方法 |
CN115494401A (zh) * | 2022-11-14 | 2022-12-20 | 湖北工业大学 | 一种基于信息融合的动力电池云端数据清洗方法 |
CN115877222A (zh) * | 2023-02-14 | 2023-03-31 | 国网浙江省电力有限公司宁波供电公司 | 一种储能电站故障检测方法、装置、介质及储能电站 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117216603A (zh) * | 2023-11-07 | 2023-12-12 | 张家港长寿工业设备制造有限公司 | 一种管式降膜蒸发器故障预测方法及系统 |
CN117216603B (zh) * | 2023-11-07 | 2024-02-06 | 张家港长寿工业设备制造有限公司 | 一种管式降膜蒸发器故障预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10254349B2 (en) | Method for predicting state of health of battery based on numerical simulation data | |
CN107957562B (zh) | 一种锂离子电池剩余寿命在线预测方法 | |
CN110161425B (zh) | 一种基于锂电池退化阶段划分的剩余使用寿命的预测方法 | |
US20170139014A1 (en) | Energy storage battery, energy storage-battery monitoring method and monitoring controller | |
CN113052464B (zh) | 电池储能系统可靠性评估方法及系统 | |
CN107064800A (zh) | 锂离子电池剩余使用寿命的实时预测方法 | |
CN114371409B (zh) | 电池状态预测模型的训练方法、电池状态预测方法及装置 | |
CN111669123B (zh) | 用于对光伏组串进行故障诊断的方法和装置 | |
CN116879763A (zh) | 一种基于卡尔曼滤波算法的电池故障预警方法 | |
CN110045291B (zh) | 一种锂电池容量估计方法 | |
CN113687255A (zh) | 一种电池单体的状态诊断方法、设备及存储介质 | |
CN115097319A (zh) | 一种动力电池组故障在线诊断方法及系统 | |
CN110927609B (zh) | 梯次利用电池储能系统的衰退评估方法及装置 | |
CN113791351B (zh) | 基于迁移学习和差值概率分布的锂电池寿命预测方法 | |
CN114035087B (zh) | 储能电池剩余寿命评估方法、装置、设备及介质 | |
CN115144765A (zh) | 电池内短路故障检测方法及装置 | |
CN117665620A (zh) | 基于新能源汽车数据的电池健康度评估方法 | |
CN114660461A (zh) | 电池健康状态的评估方法、装置、电子设备和存储介质 | |
CN116819364A (zh) | 电池健康度的确定方法、应用方法、电子设备及存储介质 | |
CN111458643A (zh) | 异常电池筛选方法、装置、电子设备及可读存储介质 | |
CN116736166A (zh) | 电池包的电芯异常检测方法、装置及电池包 | |
CN114035052B (zh) | 一种基于能量窗的soc区间标定方法、系统及介质 | |
CN116256642A (zh) | 一种适用于稀疏数据的磷酸铁锂电池故障诊断方法 | |
CN115219932A (zh) | 用于评价设备电池组的相对老化状态的方法和装置 | |
CN112782603A (zh) | 一种基于区间截尾数据的锂离子电池循环寿命分布拟合方法 |
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 |