CN117289142A - 锂离子储能电站电池内部短路故障检测方法及装置 - Google Patents
锂离子储能电站电池内部短路故障检测方法及装置 Download PDFInfo
- Publication number
- CN117289142A CN117289142A CN202311575845.9A CN202311575845A CN117289142A CN 117289142 A CN117289142 A CN 117289142A CN 202311575845 A CN202311575845 A CN 202311575845A CN 117289142 A CN117289142 A CN 117289142A
- Authority
- CN
- China
- Prior art keywords
- real
- time
- kth
- matrix
- internal short
- 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
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 title claims abstract description 149
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 149
- 238000004146 energy storage Methods 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000012545 processing Methods 0.000 claims abstract description 70
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 238000001914 filtration Methods 0.000 claims abstract description 23
- 238000001514 detection method Methods 0.000 claims abstract description 17
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 15
- 230000004044 response Effects 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 178
- 230000004927 fusion Effects 0.000 claims description 24
- 238000007619 statistical method Methods 0.000 claims description 19
- 238000000354 decomposition reaction Methods 0.000 claims description 10
- 238000000513 principal component analysis Methods 0.000 claims description 2
- 239000003990 capacitor Substances 0.000 claims 1
- 238000004364 calculation method Methods 0.000 description 39
- 238000004590 computer program Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 16
- 238000004458 analytical method Methods 0.000 description 10
- 230000015654 memory Effects 0.000 description 10
- 210000004027 cell Anatomy 0.000 description 8
- 238000004891 communication Methods 0.000 description 8
- 238000005070 sampling Methods 0.000 description 8
- 238000012937 correction Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000033228 biological regulation Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 150000002500 ions Chemical class 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 2
- 230000032683 aging Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 229910052744 lithium Inorganic materials 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 108010001267 Protein Subunits Proteins 0.000 description 1
- KFDQGLPGKXUTMZ-UHFFFAOYSA-N [Mn].[Co].[Ni] Chemical compound [Mn].[Co].[Ni] KFDQGLPGKXUTMZ-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000001787 dendrite Anatomy 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 229910002804 graphite Inorganic materials 0.000 description 1
- 239000010439 graphite Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 239000007773 negative electrode material Substances 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 239000007774 positive electrode material Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000758 substrate Substances 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
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/52—Testing for short-circuits, leakage current or ground faults
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本发明提供了一种锂离子储能电站电池内短路故障检测方法及装置，可以应用于锂电子电池技术技术领域。该方法包括：获取预设时段内锂离子储能电站电池的多个实时电压和多个实时电流；基于扩展卡尔曼滤波算法，对多个实时电压和多个实时电流进行处理，得到多个实时荷电状态预测数据，其中，每个实时荷电状态预测数据与一组实时电压和实时电流相对应；基于主成分分析法，对多个实时电压、多个实时电流和多个实时荷电状态预测数据进行处理，得到内短路故障预测值；以及响应于内短路故障预测值大于预定内短路故障阈值，输出用于表征锂离子储能电站电池出现内短路故障的检测结果。
Description
技术领域
本发明涉及锂电子电池技术领域，尤其涉及一种锂离子储能电站电池内部短路故障检测方法及装置。
背景技术
锂离子电池的内部短路故障来自于挤压、针刺等强外力作用下引起的隔膜破裂，长时间高温引起的隔膜融化，电极片存在毛刺而导致的隔膜刺穿，隔膜生产时的质量不达标，生产制造时混入的金属碎屑刺穿隔膜以及析锂导致锂枝晶不断生长并最终刺穿隔膜等。锂离子储能电站往往采用满功率的恒功率充放电模式，电池长时间满功率运行会在内部积聚大量热量，更易出现内部短路故障问题。由于锂离子电池内部短路故障的电气量和温度特征不明显，因此，相关技术对锂离子电池内部短路故障的检测准确度较低。
发明内容
鉴于上述问题，本发明提供了一种锂离子储能电站电池内部短路故障检测方法及装置。
根据本发明的第一个方面，提供了一种锂离子储能电站电池内部短路故障检测方法，包括：获取预设时段内锂离子储能电站电池的多个实时电压和多个实时电流；基于扩展卡尔曼滤波算法，对多个实时电压和多个实时电流进行处理，得到多个实时荷电状态预测数据，其中，每个实时荷电状态数据预测数据与一组实时电压和实时电流相对应；基于主成分分析法，对多个实时电压、多个实时电流和多个实时荷电状态预测数据进行处理，得到内部短路故障预测值；响应于内部短路故障预测值大于预定内部短路故障阈值，输出用于表征锂离子储能电站电池出现内部短路故障的检测结果。
根据本发明的实施例，多个实时电压为K个，实时电流为K个，K为大于1的整数；基于扩展卡尔曼滤波算法，对多个实时电压和多个实时电流进行处理，得到多个实时荷电状态预测数据，包括：基于锂离子等效电路模型的模型参数与荷电状态数据的关联关系，根据第k个实时荷电状态数据，得到与第k个实时荷电状态数据对应的锂离子等效电路模型的第k组模型参数；根据第k组模型参数、第k个实时荷电状态数据和实时数据采集的时间差，得到第k个状态方程参数和第k个观测方程参数；基于扩展卡尔曼滤波算法，对第k个状态方程参数、第k个观测方程参数、第k+1个实时电压和第k+1个实时电流进行处理，得到第k+1个实时荷电状态预测数据，其中，k为大于1小于等于K的整数；在确定k小于K的情况下，返回执行得到与第k个实时荷电状态数据对应的锂离子等效电路模型的第k组模型参数的操作步骤，并递增k；在确定k等于K的情况下，得到多个实时荷电状态预测数据。
根据本发明的实施例，第k组模型参数包括第k个开路电压、第k个欧姆电阻、并联回路中的第k个等效电阻和第k个等效电容；根据第k组模型参数、第k个实时荷电状态数据和实时数据采集的时间差，得到第k个状态方程参数和第k个观测方程参数，包括：根据第k个等效电阻、第k个等效电容、电池额定容量和实时数据采集的时间差，得到第k组状态方程参数；根据第k个开路电压、第k个欧姆电阻和第k个实时荷电状态数据，得到第k组观测方程参数。
根据本发明的实施例，根据第k个等效电阻、第k个等效电容、电池额定容量和实时数据采集的时间差，得到第k组状态方程参数，包括：根据第k个等效电阻、第k个等效电容和实时数据采集的时间差，得到第k个第一状态方程参数；根据电池额定容量、第k个等效电阻、第k个等效电容和实时数据采集的时间差，得到第k个第二状态方程参数。
根据本发明的实施例，根据第k个开路电压、第k个欧姆电阻和第k个实时荷电状态数据，得到第k组观测方程参数，包括：根据第k个开路电压和第k个实时荷电状态数据，得到第k个第一观测方程参数；根据第k个欧姆电阻，得到第k个第二观测方程参数。
根据本发明的实施例，基于主成分分析法，对多个实时电压、多个实时电流和多个实时荷电状态预测数据进行处理，得到内部短路故障预测值，包括：以数据属性为列，以数据的采集时刻为行，根据多个实时电压、多个实时电流和多个实时荷电状态预测数据，构建第一矩阵；对第一矩阵进行标准化处理，得到标准化矩阵；对标准化矩阵进行处理，得到与标准化矩阵对应的协方差矩阵；对协方差矩阵进行奇异值分解，得到载荷矩阵；基于第一矩阵和载荷矩阵，得到融合矩阵，其中，融合矩阵中的每一个元素表征用于预测内部短路故障的特征数据，其中，特征数据融合了实时电压、实时电流和实时荷电状态数据的特征；对融合矩阵、第一矩阵和载荷矩阵进行统计分析，得到内部短路故障预测值。
根据本发明的实施例，对融合矩阵、第一矩阵和载荷矩阵进行统计分析，得到内部短路故障预测值，包括：对载荷矩阵和第一矩阵进行统计分析，得到锂电子电池的霍特林统计量和平方预测误差统计量；根据霍特林统计量、平方预测误差统计量、霍特林统计量的预定阈值和平方预测误差统计量的预定阈值，得到内部短路故障预测值。
根据本发明的实施例，对载荷矩阵和第一矩阵进行统计分析，得到锂电子电池的霍特林统计量和平方预测误差统计量，包括：根据载荷矩阵中的主元数量，对载荷矩阵进行划分，得到主元空间和残差空间；根据主元空间的特征值分量、主元空间的转置矩阵和第一矩阵的转置矩阵，得到霍特林统计量；根据第一矩阵、主元空间、主元空间的转置矩阵和第一矩阵的转置矩阵，得到平方预测误差统计量统计量。
本发明的第二方面提供了一种锂离子储能电站电池内部短路故障检测装置，包括：获取模块、第一处理模块、第二处理模块和输出模块。获取模块，用于获取预设时段内锂离子储能电站电池的多个实时电压和多个实时电流。第一处理模块，用于基于扩展卡尔曼滤波算法，对多个实时电压和多个实时电流进行处理，得到多个实时荷电状态预测数据，其中，每个实时荷电状态数据预测数据与一组实时电压和实时电流相对应。第二处理模块，用于基于主成分分析法，对多个实时电压、多个实时电流和多个实时荷电状态预测数据进行处理，得到内部短路故障预测值。输出模块，用于响应于内部短路故障预测值大于预定内部短路故障阈值，输出用于表征锂离子储能电站电池出现内部短路故障的检测结果。
根据本发明的实施例，多个实时电压为K个，实时电流为K个，K为大于1的整数；第一处理模块包括：第一计算子模块、第二计算子模块、第一处理子模块、第二处理子模块。第一计算子模块，用于基于锂离子等效电路模型的模型参数与荷电状态数据的关联关系，根据第k个实时荷电状态数据，得到与第k个实时荷电状态数据对应的锂离子等效电路模型的第k组模型参数。第二计算子模块，用于根据第k组模型参数、第k个实时荷电状态数据和实时数据采集的时间差，得到第k个状态方程参数和第k个观测方程参数。第一处理子模块，用于基于扩展卡尔曼滤波算法，对第k个状态方程参数、第k个观测方程参数、第k+1个实时电压和第k+1个实时电流进行处理，得到第k+1个实时荷电状态预测数据，其中，k为大于1小于等于K的整数。第二处理子模块，用于在确定k小于K的情况下，返回执行得到与第k个实时荷电状态数据对应的锂离子等效电路模型的第k组模型参数的操作步骤，并递增k；以及在确定k等于K的情况下，得到多个实时荷电状态预测数据。
根据本发明的实施例，第k组模型参数包括第k个开路电压、第k个欧姆电阻、并联回路中的第k个等效电阻和第k个等效电容；第二计算子模块包括：第一计算单元和第二计算单元。第一计算单元，用于根据第k个等效电阻、第k个等效电容、电池额定容量和实时数据采集的时间差，得到第k组状态方程参数。第二计算单元，用于根据第k个开路电压、第k个欧姆电阻和第k个实时荷电状态数据，得到第k组观测方程参数。
根据本发明的实施例，第一计算单元包括第一计算子单元和第二计算子单元。第一计算子单元，用于根据第k个等效电阻、第k个等效电容和实时数据采集的时间差，得到第k个第一状态方程参数。第二计算子单元，用于根据电池额定容量、第k个等效电阻、第k个等效电容和实时数据采集的时间差，得到第k个第二状态方程参数。
根据本发明的实施例，第二计算单元包括第三计算子单元和第四计算子单元。第三计算子单元，用于根据第k个开路电压和第k个实时荷电状态数据，得到第k个第一观测方程参数。第四计算子单元，用于根据第k个欧姆电阻，得到第k个第二观测方程参数。
根据本发明的实施例，第二处理模块包括：构建子模块、标准化处理子模块、协方差处理子模块、奇异值分解子模块、融合子模块和分析子模块。构建子模块，用于以数据属性为列，以数据的采集时刻为行，根据多个实时电压、多个实时电流和多个实时荷电状态预测数据，构建第一矩阵。标准化处理子模块，用于对第一矩阵进行标准化处理，得到标准化矩阵。协方差处理子模块，用于对标准化矩阵进行处理，得到与标准化矩阵对应的协方差矩阵。奇异值分解子模块，用于对协方差矩阵进行奇异值分解，得到载荷矩阵。融合子模块，用于基于第一矩阵和载荷矩阵，得到融合矩阵，其中，融合矩阵中的每一个元素表征用于预测内部短路故障的特征数据，其中，特征数据融合了实时电压、实时电流和实时荷电状态数据的特征。分析子模块，用于对融合矩阵、第一矩阵和载荷矩阵进行统计分析，得到内部短路故障预测值。
根据本发明的实施例，分析子模块包括：第一分析单元和第三计算单元。第一分析单元，用于对载荷矩阵和第一矩阵进行统计分析，得到锂电子电池的霍特林统计量和平方预测误差统计量。第三计算单元，用于根据霍特林统计量、平方预测误差统计量、霍特林统计量的预定阈值和平方预测误差统计量的预定阈值，得到内部短路故障预测值。
根据本发明的实施例，第一分析单元包括划分子单元、第五计算子单元和第六计算子单元。划分子单元，用于根据载荷矩阵中的主元数量，对载荷矩阵进行划分，得到主元空间和残差空间。第五计算子单元，用于根据主元空间的特征值分量、主元空间的转置矩阵和第一矩阵的转置矩阵，得到霍特林统计量。第六计算子单元，用于根据第一矩阵、主元空间、主元空间的转置矩阵和第一矩阵的转置矩阵，得到平方预测误差统计量统计量。
本发明的第三方面提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得一个或多个处理器执行上述方法。
本发明的第四方面还提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行上述方法。
根据本发明提供的锂离子储能电站电池内部短路故障检测方法及装置，通过基于扩展卡尔曼滤波算法，对多个实时电压和多个实时电流进行处理，得到多个实时荷电状态预测数据；基于主成分分析法，对多个实时电压、多个实时电流和多个实时荷电状态预测数据进行处理，得到内部短路故障预测值。由于内部短路故障预测值是融合了实时电压、实时电流以及根据实时电压和电流预测的实时荷电状态数据的特征，因此，至少部分的解决了相关技术对锂离子电池的内部短路故障检测准确度低的问题，实现了基于实时电压、实时电流以及实时荷电状态数据的预测数据的融合数据特征准确检测技术锂离子储能电站电池出现内部短路故障的效果。
附图说明
通过以下参照附图对本发明实施例的描述，本发明的上述内容以及其他目的、特征和优点将更为清楚，在附图中：
图1示出了根据本发明实施例的锂离子储能电站电池内部短路故障检测方法及装置的应用场景图；
图2示出了根据本发明实施例的锂离子储能电站电池内部短路故障检测方法的流程示意图；
图3示出了根据本发明实施例的等效电路模型示意图；
图4a示出了在锂离子电池内部短路故障发生的情况下，霍特林统计量的变化示意图；
图4b示出了在锂离子电池内部短路故障发生的情况下，平方预测误差统计量的变化示意图；
图4c示出了在锂离子电池内部短路故障发生的情况下，内部短路故障预测值的变化示意图；
图5示出了根据本发明实施例的锂离子储能电站电池内部短路故障检测装置的结构框图；
图6示出了根据本发明实施例的适于实现锂离子储能电站电池内部短路故障检测方法的电子设备的方框图。
具体实施方式
以下，将参照附图来描述本发明的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本发明的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本发明实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本发明。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语（包括技术和科学术语）具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释（例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等）。
在本发明的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供、公开和应用等处理，均符合相关法律法规的规定，采取了必要保密措施，且不违背公序良俗。
在本发明的技术方案中，对数据的获取、收集、存储、使用、加工、传输、提供、公开和应用等处理，均符合相关法律法规的规定，采取了必要保密措施，且不违背公序良俗。
目前锂离子电池内部短路故障的诊断方法主要有基于荷电状态残差的方法、基于相关系数的方法和基于数据驱动的方法等。基于荷电状态残差的方法只利用了锂离子电池的荷电状态信息，而未利用到电压、电流等信息，故障诊断的准确性有待提高。基于相关系数的方法虽能在一定程度上减轻电池管理系统的计算负担，但可靠性较差，可能会混淆锂离子电池的老化和内部短路故障，造成不必要的停机风险。
本发明的实施例提供了一种锂离子储能电站电池内部短路故障检测方法，包括：获取预设时段内锂离子储能电站电池的多个实时电压和多个实时电流；基于扩展卡尔曼滤波算法，对多个实时电压和多个实时电流进行处理，得到多个实时荷电状态预测数据，其中，每个实时荷电状态数据预测数据与一组实时电压和实时电流相对应；基于主成分分析法，对多个实时电压、多个实时电流和多个实时荷电状态预测数据进行处理，得到内部短路故障预测值；以及响应于内部短路故障预测值大于预定内部短路故障阈值，输出用于表征锂离子储能电站电池出现内部短路故障的检测结果。
图1示出了根据本发明实施例的锂离子储能电站电池内部短路故障检测方法的应用场景图。
如图1所示，根据该实施例的应用场景100可以包括终端设备101、服务器102和锂离子储能电站103。可以通过网络在终端设备101、服务器102和锂离子储能电站103彼此之间提供通信链路的介质。网络可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101通过网络与服务器102和锂离子储能电站103中的至少一个进行交互，以接收或发送消息等。终端设备101上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等（仅为示例）。
终端设备101可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器102可以是提供各种服务的服务器，例如对用户利用终端设备101所浏览的网站提供支持的后台管理服务器（仅为示例）。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果（例如根据用户请求获取或生成的网页、信息、或数据等）反馈给终端设备。
例如，可以利用服务器102采集锂离子储能电站的直流侧的电压和电流等信息。
需要说明的是，本发明实施例所提供的锂离子储能电站电池内部短路故障检测方法一般可以由服务器102执行。相应地，本发明实施例所提供的锂离子储能电站电池内部短路故障检测装置一般可以设置于服务器102中。本发明实施例所提供的锂离子储能电站电池内部短路故障检测方法也可以由不同于服务器102且能够与终端设备101、锂离子储能电站103和/或服务器102通信的服务器或服务器集群执行。相应地，本发明实施例所提供的锂离子储能电站电池内部短路故障检测装置也可以设置于不同于服务器102且能够与终端设备101、锂离子储能电站103和/或服务器102通信的服务器或服务器集群中。
应该理解，图1中的终端设备、服务器和锂离子储能电站的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、服务器和锂离子储能电站。
以下将基于图1描述的场景，通过图2、图3、图4a、图4b、图4c对公开实施例的锂离子储能电站电池内部短路故障检测方法进行详细描述。
图2示出了根据本发明实施例的锂离子储能电站电池内部短路故障检测方法的流程示意图。
如图2所示，该实施例的锂离子储能电站电池内部短路故障检测方法流程200包括操作S210~操作S240。
在操作S210，获取预设时段内锂离子储能电站电池的多个实时电压和多个实时电流。
在操作S220，基于扩展卡尔曼滤波算法，对多个实时电压和多个实时电流进行处理，得到多个实时荷电状态预测数据。
在操作S230，基于主成分分析法，对多个实时电压、多个实时电流和多个实时荷电状态预测数据进行处理，得到内部短路故障预测值。
在操作S240，响应于内部短路故障预测值大于预定内部短路故障阈值，输出用于表征锂离子储能电站电池出现内部短路故障的检测结果。
根据本发明的实施例，可以在预设时段内，按照预设的采集频率采集锂离子储能电站电池的实时电压和实时电流。
根据本发明的实施例，荷电状态（State of Charge，SOC）可以表示锂离子电池老化后的剩余的充电容量与锂离子电池的完全充电状态的充电容量之间的比值。其中，剩余的充电容量可以与锂离子电池的健康程度相关。例如，锂离子电池的健康程度越高，锂离子电池的剩余的充电容量可以对应越高；锂离子电池的健康程度越低，锂离子电池的剩余的充电容量可以对应越低。
根据本发明的实施例，每个实时荷电状态预测数据与一组实时电压和实时电流相对应。
根据本发明的实施例，锂离子储能电站电池正极活性材料可以为镍钴锰，负极活性材料为石墨。锂离子储能电站电池可以是多个电池单体组成。例如，4个电池单体组成锂离子储能电站电池，电池单体编号可以为电池单体1，电池单体2，电池单体3及电池单体4。
根据本发明的实施例，锂离子储能电站电池可以进行恒定电流恒定电压的充电以及恒定电流的放电，来模拟锂离子储能电站电池的正常运行情况。
根据本发明的实施例，扩展卡尔曼滤波算法是标准卡尔曼滤波在非线性情况下的一种扩展形式。
根据本发明的实施例，基于扩展卡尔曼滤波算法，可以对多个实时电压、多个实时电流和多个实时荷电状态预测数据进行处理，得到多个实时荷电状态预测数据。
根据本发明的实施例，主成分分析法可以运用降维思想把多个变量转换成少数综合指标的多远统计方法。
根据本发明的实施例，基于主成分分析法可以得到内部故障预测值。
根据本发明的实施例，内部短路故障的检测结果可以是正常或正常两种情况。预定内部短路故障阈值可以根据需求定制，可以根据内部短路预测值与内部短路故障阈值的比较得到，在内部短路预测值在小于或等于内部短路故障阈值的情况下，内部电路无故障，在在内部短路预测值在大于内部短路故障阈值的情况下，内部电路故障。
根据本发明的实施例，通过基于扩展卡尔曼滤波算法，对多个实时电压和多个实时电流进行处理，得到多个实时荷电状态预测数据；基于主成分分析法，对多个实时电压、多个实时电流和多个实时荷电状态预测数据进行处理，得到内部短路故障预测值。由于内部短路故障预测值是融合了实时电压、实时电流以及根据实时电压和电流预测的实时荷电状态数据的特征，因此，至少部分的解决了相关技术对锂离子电池的内部短路故障检测准确度低的问题，实现了基于实时电压、实时电流以及实时荷电状态数据的预测数据的融合数据特征准确检测技术锂离子储能电站电池出现内部短路故障的效果。
根据本发明的实施例，多个实时电压为K个，实时电流为K个，K为大于1的整数；基于扩展卡尔曼滤波算法，对多个实时电压和多个实时电流进行处理，得到多个实时荷电状态预测数据，包括：基于锂离子等效电路模型的模型参数与荷电状态数据的关联关系，根据第k个实时荷电状态数据，得到与第k个实时荷电状态数据对应的锂离子等效电路模型的第k组模型参数。根据第k组模型参数、第k个实时荷电状态数据和实时数据采集的时间差，得到第k个状态方程参数和第k个观测方程参数。基于扩展卡尔曼滤波算法，对第k个状态方程参数、第k个观测方程参数、第k+1个实时电压和第k+1个实时电流进行处理，得到第k+1个实时荷电状态预测数据，其中，k为大于1小于等于K的整数。在确定k小于K的情况下，返回执行得到与第k个实时荷电状态数据对应的锂离子等效电路模型的第k组模型参数的操作步骤，并递增k。在确定k等于K的情况下，得到多个实时荷电状态预测数据。
图3示出了根据本发明实施例的锂离子电池的等效电路模型的结构图。
如图3所示，等效电路模型300可以包括开路电压U oc 、锂离子电池的欧姆电阻R 0 、锂离子电池的电阻R 1 、锂离子电池的电容C 1 、并联RC回路的并联端电压U 1 和锂离子电池的开端电压U t 。并且，在图3中，i可以表示等效电路模型中的电流，i下方的箭头可以用于表示该电流的方向。
根据本发明的实施例，可以将每一个实时电流作为输入量，每一个实时电压作为观测量；通过预先定义状态量、状态方程参数和观测方程参数，基于扩展卡尔曼滤波算法得到多个实时荷电状态预测数据。
例如：k-1时刻的状态量的计算，如下公式（1）：
（1）
其中，SOC k-1 表示k-1时刻的实时荷电状态预测数据；U 1,k-1 表示等效电路模型中并联回路在k-1时刻的实时电压。
k-1时刻的状态方程的计算，如下公式（2）：
（2）
其中，A k-1表示k-1时刻的第一状态方程参数；B k-1表示k-1时刻的第二状态方程参数；R 1表示等效电路模型中并联回路在k-1时刻的电阻；C 1表示表示等效电路模型中并联回路在k-1时刻的电容；表示库伦系数；/>表示预设的采样间隔；C n表示锂离子储能电站电池的额定容量；ｅ表示自然常数。
根据本发明的实施例，输入量实时电流可以为U k = I k ，观测量实时电压可以为y k = U t,k ，第一观测方程参数C可以为，第二观测方程参数D可以为D=[-R 0]，ω k ~N(0,Q)，其中，ω k 表示过程噪声，Q为过程噪声的协方差矩阵。
根据本发明的实施例，锂离子等效电路模型的模型参数与荷电状态数据的关联关系可以表征荷电状态数据与锂离子等效电路模型的模型参数的对应关系。荷电状态数据与锂离子等效电路模型的模型参数的对应关系是通过前期的对锂离子储能电站电池进行混合功率脉冲特性试验，并结合多项式拟合处理方法得到的。为避免与故障诊断的数据处理过程混淆，在后文中会对锂离子等效电路模型的模型参数与荷电状态数据的关联关系的获得过程进行详细说明。
根据本发明的实施例，实时数据采集的时间差可以根据预设的采集频率得到。
根据本发明的实施例，第1个实时荷电状态数据是根据对锂离子储能电站电池循环充放电过程中得到的。
荷电状态的计算，如下公式（3）：
（3）
其中，SOC k 表示k时刻的荷电状态，SOC k-1 表示k-1时刻的荷电状态，库伦系数可以为0.99，循环充电次数可以为3次。
根据本发明的实施例，第k组模型参数包括第k个开路电压、第k个欧姆电阻、并联回路中的第k个等效电阻和第k个等效电容；根据第k组模型参数、第k个实时荷电状态数据和实时数据采集的时间差，得到第k个状态方程参数和第k个观测方程参数，包括：根据第k个等效电阻、第k个等效电容、电池额定容量和实时数据采集的时间差，得到第k组状态方程参数。根据第k个开路电压、第k个欧姆电阻和第k个实时荷电状态数据，得到第k组观测方程参数。根据本发明的实施例，电池额定容量可以表征电池预先设定的容量大小。电池额定容量可以根据需求定制电池容量的大小。
根据本发明的实施例，在k等于3的情况下，可以根据第3个等效电阻、第3个等效电容、电池额定容量以及实时数据采集的时间差，得到第3组状态方程参数；根据第3个开路电压、第3个欧姆电阻和第3个实时荷电状态数据，得到第3组观测方程参数。
根据本发明的实施例，扩展卡尔曼滤波的过程包括先验估计和后验校正。k时刻的先验估计包括状态量的先验估计x k - 和协方差矩阵的先验估计P k - 。
k时刻的状态态量的先验估计的计算，如下公式（4）：
（4）
其中，x k - 表示k时刻的状态量的先验估计；表示k-1时刻的状态量的先验估计。
k时刻的协方差矩阵的先验估计P k - 的计算，如下公式（5）：
（5）
其中，P k - 表示k时刻的协方差矩阵的先验估计；P k-1 表示k-1时刻的协方差矩阵的先验估计；表示k-1时刻的状态方程参数的T次幂。
k时刻的后验校正包括卡尔曼增益K k 、状态量的后验修正x k 和协方差矩阵的后验修正P k 。
卡尔曼增益的计算，如下公式（6）：
（6）
其中，CT表示第一观测方程参数C的T次幂，R表示观测噪声协方差矩阵。
状态量的后验修正x k 的计算，如下公式（7）：
（7）
其中，y k 表示k时刻的观测量电压，Kk表示k时刻的卡尔曼增益矩阵。
协方差矩阵的后验修正P k 的计算，如下公式（8）：
（8）
其中，I表示单位矩阵。
根据本发明的实施例，先验估计和后验校正中R的数值可以为，Q的数值可以为/>Pk的数值可以为/>。
根据本发明的实施例，根据第k组状态方程参数和第k组观测方程参数可以使用扩展卡尔曼滤波算法估计锂离子储能电站电池的荷电状态，进而提高锂离子储能电站电池出现内短路故障的检测结果。
根据本发明的实施例，根据第k个等效电阻、第k个等效电容、电池额定容量和实时数据采集的时间差，得到第k组状态方程参数，包括：根据第k个等效电阻、第k个等效电容和实时数据采集的时间差，得到第k个第一状态方程参数。根据电池额定容量、第k个等效电阻、第k个等效电容和实时数据采集的时间差，得到第k个第二状态方程参数。
根据本发明的实施例，第k组状态方程参数可以包括第k个第一状态方程参数和第k个第二状态方程参数。例如，在k为3的情况下，第3组状态方程参数可以包括第3个第一状态方程参数和第3个第二状态方程参数。
根据本发明的实施例，等效电路模型参数可以包括多个第一状态方程参数和多个第二状态方程参数。
根据本发明的实施例，根据第k个第一状态方程参数和第k个第二状态方程参数确定等效电路中第k组状态方程参数，可以提高等效电路的性能。
根据本发明的实施例，根据第k个开路电压、第k个欧姆电阻和第k个实时荷电状态数据，得到第k组观测方程参数，包括：根据第k个开路电压和第k个实时荷电状态数据，得到第k个第一观测方程参数。根据第k个欧姆电阻，得到第k个第二观测方程参数。
根据本发明的实施例，由于第一观测方程参数为。因此，根据第k个开路电压和第k个实时荷电状态数据，可以得到第k个第一观测方程参数。
根据本发明的实施例，由于第二观测方程参数为D=[-R 0]。因此，根据第k个欧姆电阻，可以得到第k个第二观测方程参数。
根据本发明的实施例，第k组观测方程参数可以包括第k个第一观测方程参数和第k个第二观测方程参数。例如，在k为3的情况下，第k组观测方程参数可以包括第3个第一观测方程参数和第3个第二观测方程参数。
根据本发明的实施例，等效电路模型参数可以包括多个第一观测方程参数和多个第二观测方程参数，每个第一观测方程参数和与之对应的第二观测方程参数组成一组观测方程参数。
根据本发明的实施例，通过确定第k个第一观测方程参数和第k个第二观测方程参数，可以提高输入量与输出量的对应关系。
下面详细说明通过前期的对锂离子储能电站电池进行混合功率脉冲特性试验，并结合多项式拟合处理方法得到荷电状态数据与锂离子等效电路模型的模型参数的对应关系的过程。
根据本发明的实施例，对锂离子储能电站电池进行混合功率脉冲特性(HybridPulsePower Characteristic, HPPC)实验，主要步骤为：按照锂离子储能电站电池的规格书要求进行充电，充至电池的上截止电压为止；使电池静置5小时；之后，进行电池的混合功率脉冲特性实验，具体为：1）按照离子储能电站电池的规格书要求的放电倍率进行放电10秒，2）使电池静置40秒，3）按照离子储能电站电池的规格书要求的放电倍率进行充电10秒，4）按照离子储能电站电池的规格书要求的放电倍率放电，放电容量为电池额定容量的5%，5）使电池静置1小时，6）判断是否达到电池的下截止电压，未达到则回到1），达到则结束。
根据本发明的实施例，可以采集不同荷电状态参数下的每个采集时刻k的输入电流Ik和输入电压Uk。
根据本发明的实施例，可以将等效电路模型中电气量特性表示，如下公式（9）：
（9）
其中，U 1 表示并联RC回路的并联端电压；U oc 表示开路电压；R 0 表示锂离子电池的欧姆电阻；R 1 表示锂离子电池的电阻；C 1 表示锂离子电池的电阻的电容；U t 表示锂离子电池的开端电压，i表示并联RC回路的电流。
在s域中电气量特性的计算，如下公式（10）：
（10）
其中，τ=R 1 C 1 ；U t (s)表示s域锂离子电池的开端电压；U oc (s)表示s域开路电压；I(s)表示s域并联RC回路的电流。
通过s与z的关系，被转换成离散时域的计算，如下公式（11）：
（11）
其中，z-1表示单位延迟因子。
K时刻电气量特性的离散时域的计算，如下公式（12）：
（12）
其中，U t,k 表示k时刻锂离子电池的开端电压；U oc,k 表示k时刻开路电压；Ik表示k时刻离散时域并联RC回路的电流；以及/>的计算，如下公式（13）：
（13）
根据以及/>，k时刻刻锂离子电池的开端电压离散时域下的计算，如下公式（14）：
（14）
根据本发明的实施例，可以使用递推最小二乘确定离散域下的以及/>。
递推最小二乘的计算，如下公式（15）：
（15）
其中，，表示观测值和输入值组成的向量，/>表示模型误差，/>是误差协方差矩阵。
递推最小二乘的计算变形，如下公式（16）：
（16）
其中，e k 表示端电压的预测误差，L k 表示递推最小二乘增益。
基于公式（16）递推可以得到参数以及/>的最优解，基于最优解代入公式（12）-（14）可以得到等效电路模型参数开路电压U oc ，欧姆电阻R 0，并联RC回路的等效电阻R 1、等效电容C 1。
根据本发明的实施例，不同荷电状态下的模型参数值在变化，荷电状态从100%至0%的变化过程中，荷电状态每减少5%，作为一个采样点，分别为在荷电状态为100%,95%,90%……5%,0%进行采样。在这些荷电状态点上进行采样后，为了得到其他荷电状态值下的参数，可以使用多项式拟合计算，如下公式（17）：
（17）
其中，a0,a1,a2,a3,a4,a5,b0,b1,b2,b3,b4,b5,b6,b7,c0,c1,c2,c3,c4,c5,c6,d0,d1,d2,d3,d4,d5,d6均表示多项式拟合系数，U oc ,R 0,R 1,和C 1的多项式最高项分别设置为5、7、6和6次。
根据本发明的实施例，基于主成分分析法，对多个实时电压、多个实时电流和多个实时荷电状态预测数据进行处理，得到内部短路故障预测值，包括：以数据属性为列，以数据的采集时刻为行，根据多个实时电压、多个实时电流和多个实时荷电状态预测数据，构建第一矩阵。对第一矩阵进行标准化处理，得到标准化矩阵。对标准化矩阵进行处理，得到与标准化矩阵对应的协方差矩阵。对协方差矩阵进行奇异值分解，得到载荷矩阵。基于第一矩阵和载荷矩阵，得到融合矩阵，其中，融合矩阵中的每一个元素表征用于预测内部短路故障的特征数据，其中，特征数据融合了实时电压、实时电流和实时荷电状态数据的特征。对融合矩阵、第一矩阵和载荷矩阵进行统计分析，得到内部短路故障预测值。
根据本发明的实施例，可以按照锂离子电池能量状态（State Of Energy，SOE）的节点对数据进行划分，可以在电池能量状态每增长或下降5%作为数据的划分节点。
根据本发明的实施例，数据属性可以是数据的数值，数据的采集时间可以是锂离子电池能量状态的节点。
锂离子电池能量状态的计算，如下公式（18）：
（18）
其中，E n 表示锂离子储能电站电池的额定能量。
根据本发明的是实施例，对第一矩阵的标准化处理包括计算第一矩阵的均值与方差。
均值与方差的计算，如下公式（19）：
（19）
其中，μ(j)表示为均值，δ2(j)表示方差，x i，j 表示第一矩阵的第j个传感器在第i时刻的值，N表示锂离子电池能量状态每增长或下降5%的数据数量。
标准化矩阵的计算，如下公式（20）：
（20）
标准化矩阵的协方差矩阵S的计算，公式（21）：
（21）
奇异值（Singular value decomposition, SVD）分解矩阵的计算，如下公式（22）：
（22）
其中，P=[P pc P res ]，^ pc =diag(λ 1,…,λ l ),^ res =diag(λl+1,…,λ m )，P表示载荷矩阵，P pc 表示主元空间，P res 表示残差空间。
主成分的计算，如下公式（23）：
（23）
融合矩阵的计算，如下公式（24）：
（24）
其中，T2表示霍特林统计量，SPE表示平方预测误差统计量，J th,T 2 表示霍特林统计量T2的预定阈值，J th,SPE 表示霍特林统计量SPE的预定阈值。
根据本发明的实施例，通过主成分分析法可以得到内短路故障预测值，根据内短路故障预测值与预定内短路故障阈值比较，可以确定锂离子储能电站电池出现内短路故障的检测结果，进而提高确定锂离子储能电站电池出现内短路故障的准确性。
根据本发明的实施例，对融合矩阵、第一矩阵和载荷矩阵进行统计分析，得到内部短路故障预测值，包括：对载荷矩阵和第一矩阵进行统计分析，得到锂电子电池的霍特林统计量和平方预测误差统计量。根据霍特林统计量、平方预测误差统计量、霍特林统计量的预定阈值和平方预测误差统计量的预定阈值，得到内部短路故障预测值。
根据本发明的实施例，锂电子电池的霍特林统计量和平方预测误差统计量的预定阈值可以是锂离子储能电站电池正常运行时锂电子电池的霍特林统计量和平方预测误差统计量的最大值的1.5倍。例如，锂离子储能电站电池在霍特林统计量为6和平方预测误差统计量为0.6的情况下，锂电子电池的霍特林统计量的预定阈值为9和平方预测误差统计量的预定阈值为0.9。
根据本发明的实施例，综合融合矩阵、第一矩阵和载荷矩阵的统计分析得到的内短路故障预测值，可以提高确定锂离子储能电站电池出现内短路故障的可靠性。
图4a示出了在锂离子电池内部短路故障发生的情况下，霍特林统计量的变化示意图。
如图4a所示，410表示霍特林统计量的预定阈值。
图4b示出了在锂离子电池内部短路故障发生的情况下，平方预测误差统计量的变化示意图。
如图4b所示，420表示平方预测误差统计量的预定阈值。
通过对比图4a和图4b可以看出，在相同的采样区间内（0-1）x104内，存在超过霍特林统计量的预定阈值的采样点，表示与该采样点对应的采样时刻，已发生内部短路故障。但是，相同采样时刻的采样点在图4b中，确未超过平方预测误差统计量的预定阈值。因此，基于霍特林统计量的预定阈值或平方预测误差统计量的预定阈值，确定锂离子电池内部是否发生短路故障的准确度较低。
图4c示出了在锂离子电池内部短路故障发生的情况下，内部短路故障预测值的变化示意图。
如图4c所示，430表示内部短路故障预测值的预定阈值，通过对比图4a、图4b和图4c可以看出在相同的采样区间内，当锂离子电池内部短路故障发生时，内部短路故障预测值均超过内部短路故障预测值的预定阈值。
根据本发明的实施例，对载荷矩阵和第一矩阵进行统计分析，得到锂电子电池的霍特林统计量和平方预测误差统计量，包括：根据载荷矩阵中的主元数量，对载荷矩阵进行划分，得到主元空间和残差空间。根据主元空间的特征值分量、主元空间的转置矩阵和第一矩阵的转置矩阵，得到霍特林统计量。根据第一矩阵、主元空间、主元空间的转置矩阵和第一矩阵的转置矩阵，得到平方预测误差统计量。
根据公式（22），由主元空间的特征值分量^ pc -1/2 、主元空间的转置矩阵P pc T 和第一矩阵的转置矩阵X T ，可以得到霍特林统计量T 2 。
根据公式（22），由第一矩阵X、主元空间P pc 、主元空间的转置矩阵P pc T 和第一矩阵的转置矩阵X T ，得到平方预测误差统计量SPE。
根据本发明的实施例，根据锂电子电池的霍特林统计量和平方预测误差统计量，可以计算霍特林统计量与平方预测误差统计量的预定阈值。
根据本发明的实施例，霍特林统计量和平方预测误差统计量的计算量少，可以占用较少的计算机资源，进而提高确定锂离子储能电站电池出现内短路故障的效率。
基于上述锂离子储能电站电池内部短路故障检测方法，本发明还提供了一种锂离子储能电站电池内部短路故障检测装置。以下将结合图5对该装置进行详细描述。
图5示出了根据本发明实施例的锂离子储能电站电池内部短路故障检测装置的结构框图。
如图5所示，该实施例的锂离子储能电站电池内部短路故障检测装置500包括获取模块510、第一处理模块模块520、第二处理模块530和输出模块540。
获取模块510，用于获取预设时段内锂离子储能电站电池的多个实时电压和多个实时电流。在一实施例中，获取模块510可以用于执行前文描述的操作S210，在此不再赘述。
第一处理模块520，用于基于扩展卡尔曼滤波算法，对多个实时电压和多个实时电流进行处理，得到多个实时荷电状态预测数据，其中，每个实时荷电状态数据预测数据与一组实时电压和实时电流相对应。在一实施例中，第一处理模块520可以用于执行前文描述的操作S220，在此不再赘述。
第二处理模块530，用于基于主成分分析法，对多个实时电压、多个实时电流和多个实时荷电状态预测数据进行处理，得到内部短路故障预测值。在一实施例中，第二处理模块530可以用于执行前文描述的操作S230，在此不再赘述。
输出模块540，用于响应于内部短路故障预测值大于预定内部短路故障阈值，输出用于表征锂离子储能电站电池出现内部短路故障的检测结果。在一实施例中，输出模块530可以用于执行前文描述的操作S240，在此不再赘述。
根据本发明的实施例，多个实时电压为K个，实时电流为K个，K为大于1的整数，用于基于扩展卡尔曼滤波算法，对多个实时电压和多个实时电流进行处理，得到多个实时荷电状态预测数据的第一处理模块520，包括：
第一计算子模块，用于基于锂离子等效电路模型的模型参数与荷电状态数据的关联关系，根据第k个实时荷电状态数据，得到与第k个实时荷电状态数据对应的锂离子等效电路模型的第k组模型参数。
第二计算子模块，用于根据第k组模型参数、第k个实时荷电状态数据和实时数据采集的时间差，得到第k个状态方程参数和第k个观测方程参数。
第一处理子模块，用于基于扩展卡尔曼滤波算法，对第k个状态方程参数、第k个观测方程参数、第k+1个实时电压和第k+1个实时电流进行处理，得到第k+1个实时荷电状态预测数据，其中，k为大于1小于等于K的整数。
第二处理子模块，用于在确定k小于K的情况下，返回执行得到与第k个实时荷电状态数据对应的锂离子等效电路模型的第k组模型参数的操作步骤，并递增k。以及在确定k等于K的情况下，得到多个实时荷电状态预测数据。
根据本发明的实施例，第k组模型参数包括第k个开路电压、第k个欧姆电阻、并联回路中的第k个等效电阻和第k个等效电容，用于根据第k组模型参数、第k个实时荷电状态数据和实时数据采集的时间差，得到第k个状态方程参数和第k个观测方程参数的第二计算子模块，包括：
第一计算单元，用于根据第k个等效电阻、第k个等效电容、电池额定容量和实时数据采集的时间差，得到第k组状态方程参数。
第二计算单元，用于根据第k个开路电压、第k个欧姆电阻和第k个实时荷电状态数据，得到第k组观测方程参数。
根据本发明的实施例，用于根据第k个等效电阻、第k个等效电容、电池额定容量和实时数据采集的时间差，得到第k组状态方程参数的第一计算单元，包括：
第一计算子单元，用于根据第k个等效电阻、第k个等效电容和实时数据采集的时间差，得到第k个第一状态方程参数。
第二计算子单元，用于根据电池额定容量、第k个等效电阻、第k个等效电容和实时数据采集的时间差，得到第k个第二状态方程参数。
根据本发明的实施例，用于根据第k个开路电压、第k个欧姆电阻和第k个实时荷电状态数据，得到第k组观测方程参数的第二计算单元，包括：
第三计算子单元，用于根据第k个开路电压和第k个实时荷电状态数据，得到第k个第一观测方程参数。
第四计算子单元，用于根据第k个欧姆电阻，得到第k个第二观测方程参数。
根据本发明的实施例，用于基于主成分分析法，对多个实时电压、多个实时电流和多个实时荷电状态预测数据进行处理，得到内部短路故障预测值的第二处理模块530，包括：
构建子模块，用于以数据属性为列，以数据的采集时刻为行，根据多个实时电压、多个实时电流和多个实时荷电状态预测数据，构建第一矩阵。
标准化子模块，用于对第一矩阵进行标准化处理，得到标准化矩阵。
协方差子模块，用于对标准化矩阵进行处理，得到与标准化矩阵对应的协方差矩阵。
奇异值分解子模块，用于对协方差矩阵进行奇异值分解，得到载荷矩阵。
融合子模块，用于基于第一矩阵和载荷矩阵，得到融合矩阵，其中，融合矩阵中的每一个元素表征用于预测内部短路故障的特征数据，其中，特征数据融合了实时电压、实时电流和实时荷电状态数据的特征。
分析子模块，用于对融合矩阵、第一矩阵和载荷矩阵进行统计分析，得到内部短路故障预测值。
根据本发明的实施例，用于对融合矩阵、第一矩阵和载荷矩阵进行统计分析，得到内部短路故障预测值的分析子模块，包括：
第一分析单元，用于对载荷矩阵和第一矩阵进行统计分析，得到锂电子电池的霍特林统计量和平方预测误差统计量。
第三计算单元，用于根据霍特林统计量、平方预测误差统计量、霍特林统计量的预定阈值和平方预测误差统计量的预定阈值，得到内部短路故障预测值。
根据本发明的实施例，用于对载荷矩阵和第一矩阵进行统计分析，得到锂电子电池的霍特林统计量和平方预测误差统计量的第一分析单元，包括：
划分子单元，用于根据载荷矩阵中的主元数量，对载荷矩阵进行划分，得到主元空间和残差空间。
第五计算子单元，用于根据主元空间的特征值分量、主元空间的转置矩阵和第一矩阵的转置矩阵，得到霍特林统计量。
第六计算子单元，用于根据第一矩阵、主元空间、主元空间的转置矩阵和第一矩阵的转置矩阵，得到平方预测误差统计量。
根据本发明的实施例，获取模块510、第一处理模块模块520、第二处理模块530和输出模块540中的任意多个模块可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本发明的实施例，获取模块510、第一处理模块模块520、第二处理模块530和输出模块540中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列（FPGA）、可编程逻辑阵列（PLA）、片上系统、基板上的系统、封装上的系统、专用集成电路（AKIC），或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，获取模块510、第一处理模块模块520、第二处理模块530和输出模块540中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
图6示出了根据本发明实施例的适于实现锂离子储能电站电池内部短路故障检测方法的电子设备的方框图。
如图6所示，根据本发明实施例的电子设备600包括处理器601，其可以根据存储在只读存储器（ROM）602中的程序或者从存储部分608加载到随机访问存储器（RAM）603中的程序而执行各种适当的动作和处理。处理器601例如可以包括通用微处理器（例如CPU）、指令集处理器和/或相关芯片组和/或专用微处理器（例如，专用集成电路（AKIC））等等。处理器601还可以包括用于缓存用途的板载存储器。处理器601可以包括用于执行根据本发明实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 603中，存储有电子设备600操作所需的各种程序和数据。处理器 601、ROM602以及RAM 603通过总线604彼此相连。处理器601通过执行ROM 602和/或RAM 603中的程序来执行根据本发明实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除ROM 602和RAM 603以外的一个或多个存储器中。处理器601也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本发明实施例的方法流程的各种操作。
根据本发明的实施例，电子设备600还可以包括输入/输出（I/O）接口605，输入/输出（I/O）接口605也连接至总线604。电子设备600还可以包括连接至I/O接口605的以下部件中的一项或多项：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管（CRT）、液晶显示器（LCD）等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。
本发明还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本发明实施例的方法。
根据本发明的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，根据本发明的实施例，计算机可读存储介质可以包括上文描述的ROM 602和/或RAM 603和/或ROM 602和RAM 603以外的一个或多个存储器。
本发明的实施例还包括一种计算机程序产品，其包括计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时，该程序代码用于使计算机系统实现本发明实施例所提供的物品推荐方法。
在该计算机程序被处理器601执行时执行本发明实施例的系统/装置中限定的上述功能。根据本发明的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分609被下载和安装，和/或从可拆卸介质611被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被处理器601执行时，执行本发明实施例的系统中限定的上述功能。根据本发明的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
根据本发明的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本发明实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java，C++，python，“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网（LAN）或广域网（WAN），连接到用户计算设备，或者，可以连接到外部计算设备（例如利用因特网服务提供商来通过因特网连接）。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
本领域技术人员可以理解，本发明的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合，即使这样的组合或结合没有明确记载于本发明中。特别地，在不脱离本发明精神和教导的情况下，本发明的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本发明的范围。
以上对本发明的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本发明的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本发明的范围由所附权利要求及其等同物限定。不脱离本发明的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本发明的范围之内。
Claims (11)
1.一种锂离子储能电站电池内部短路故障检测方法，其特征在于，包括：
获取预设时段内锂离子储能电站电池的多个实时电压和多个实时电流；
基于扩展卡尔曼滤波算法，对所述多个实时电压和所述多个实时电流进行处理，得到多个实时荷电状态预测数据，其中，每个实时荷电状态预测数据与一组实时电压和实时电流相对应；
基于主成分分析法，对所述多个实时电压、所述多个实时电流和所述多个实时荷电状态预测数据进行处理，得到内部短路故障预测值；以及
响应于所述内部短路故障预测值大于预定内部短路故障阈值，输出用于表征所述锂离子储能电站电池出现内部短路故障的检测结果。
2.根据权利要求1所述的方法，其中，所述多个实时电压为K个，所述多个实时电流为K个，K为大于1的整数；所述基于扩展卡尔曼滤波算法，对所述多个实时电压和所述多个实时电流进行处理，得到所述多个实时荷电状态预测数据，包括：
基于锂离子等效电路模型的模型参数与荷电状态数据的关联关系，根据第k个实时荷电状态数据，得到与所述第k个实时荷电状态数据对应的锂离子等效电路模型的第k组模型参数；
根据所述第k组模型参数、所述第k个实时荷电状态数据和实时数据采集的时间差，得到第k个状态方程参数和第k个观测方程参数；
基于扩展卡尔曼滤波算法，对所述第k个状态方程参数、所述第k个观测方程参数、第k+1个实时电压和第k+1个实时电流进行处理，得到第k+1个实时荷电状态预测数据，其中，k为大于1小于等于K的整数；
在确定k小于K的情况下，返回执行得到与所述第k个实时荷电状态数据对应的锂离子等效电路模型的第k组模型参数的操作步骤，并递增k；
在确定k等于K的情况下，得到所述多个实时荷电状态预测数据。
3.根据权利要求2所述的方法，其特征在于，所述第k组模型参数包括第k个开路电压、第k个欧姆电阻、并联回路中的第k个等效电阻和第k个等效电容；所述根据所述第k组模型参数、所述第k个实时荷电状态数据和实时数据采集的时间差，得到第k个状态方程参数和第k个观测方程参数，包括：
根据所述第k个等效电阻、所述第k个等效电容、电池额定容量和所述实时数据采集的时间差，得到第k组状态方程参数；
根据所述第k个开路电压、所述第k个欧姆电阻和所述第k个实时荷电状态数据，得到第k组观测方程参数。
4.根据权利要求3所述的方法，其特征在于，所述根据所述第k个等效电阻、所述第k个等效电容、电池额定容量和所述实时数据采集的时间差，得到第k组状态方程参数，包括：
根据所述第k个等效电阻、所述第k个等效电容和所述实时数据采集的时间差，得到第k个第一状态方程参数；
根据所述电池额定容量、所述第k个等效电阻、所述第k个等效电容和所述实时数据采集的时间差，得到第k个第二状态方程参数。
5.根据权利要求3所述的方法，其特征在于，所述根据所述第k个开路电压、所述第k个欧姆电阻和所述第k个实时荷电状态数据，得到第k组观测方程参数，包括：
根据所述第k个开路电压和所述第k个实时荷电状态数据，得到第k个第一观测方程参数；
根据所述第k个欧姆电阻，得到第k个第二观测方程参数。
6.根据权利要求1所述的方法，其特征在于，所述基于主成分分析法，对所述多个实时电压、所述多个实时电流和所述多个实时荷电状态预测数据进行处理，得到内部短路故障预测值，包括：
以数据属性为列，以数据的采集时刻为行，根据所述多个实时电压、所述多个实时电流和所述多个实时荷电状态预测数据，构建第一矩阵；
对所述第一矩阵进行标准化处理，得到标准化矩阵；
对所述标准化矩阵进行处理，得到与所述标准化矩阵对应的协方差矩阵；
对所述协方差矩阵进行奇异值分解，得到载荷矩阵；
基于所述第一矩阵和所述载荷矩阵，得到融合矩阵，其中，所述融合矩阵中的每一个元素表征用于预测内部短路故障的特征数据，其中，所述特征数据融合了实时电压、实时电流和实时荷电状态数据的特征；
对所述融合矩阵、所述第一矩阵和所述载荷矩阵进行统计分析，得到所述内部短路故障预测值。
7.根据权利要求6所述的方法，其特征在于，所述对所述融合矩阵、所述第一矩阵和所述载荷矩阵进行统计分析，得到所述内部短路故障预测值，包括：
对所述载荷矩阵和所述第一矩阵进行统计分析，得到锂电子电池的霍特林统计量和平方预测误差统计量；
根据所述霍特林统计量、所述平方预测误差统计量、霍特林统计量的预定阈值和平方预测误差统计量的预定阈值，得到所述内部短路故障预测值。
8.根据权利要求7所述的方法，其中，所述对所述载荷矩阵和所述第一矩阵进行统计分析，得到锂电子电池的霍特林统计量和平方预测误差统计量，包括：
根据所述载荷矩阵中的主元数量，对载荷矩阵进行划分，得到主元空间和残差空间；
根据所述主元空间的特征值分量、所述主元空间的转置矩阵和所述第一矩阵的转置矩阵，得到所述霍特林统计量；
根据所述第一矩阵、所述主元空间、所述主元空间的转置矩阵和所述第一矩阵的转置矩阵，得到所述平方预测误差统计量。
9.一种锂离子储能电站电池内部短路故障检测装置，其特征在于，包括：
获取模块，用于获取预设时段内锂离子储能电站电池的多个实时电压和多个实时电流；
第一处理模块，用于基于扩展卡尔曼滤波算法，对所述多个实时电压和所述多个实时电流进行处理，得到多个实时荷电状态预测数据，其中，每个实时荷电状态数据预测数据与一组实时电压和实时电流相对应；
第二处理模块，用于基于主成分分析法，对所述多个实时电压、所述多个实时电流和所述多个实时荷电状态预测数据进行处理，得到内部短路故障预测值；以及
输出模块，用于响应于所述内部短路故障预测值大于预定内部短路故障阈值，输出用于表征所述锂离子储能电站电池出现内部短路故障的检测结果。
10.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行根据权利要求1~8中任一项所述的方法。
11.一种计算机可读存储介质，其特征在于，其上存储有可执行指令，该指令被处理器执行时使处理器执行根据权利要求1~8中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311575845.9A CN117289142B (zh) | 2023-11-24 | 2023-11-24 | 锂离子储能电站电池内部短路故障检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311575845.9A CN117289142B (zh) | 2023-11-24 | 2023-11-24 | 锂离子储能电站电池内部短路故障检测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117289142A true CN117289142A (zh) | 2023-12-26 |
| CN117289142B CN117289142B (zh) | 2024-03-19 |
Family
ID=89253866
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311575845.9A Active CN117289142B (zh) | 2023-11-24 | 2023-11-24 | 锂离子储能电站电池内部短路故障检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117289142B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117686921A (zh) * | 2024-02-02 | 2024-03-12 | 江苏林洋亿纬储能科技有限公司 | 检测电池内短路的方法和系统及计算设备 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111551860A (zh) * | 2020-05-26 | 2020-08-18 | 同济大学 | 一种基于弛豫电压特征的电池内短路诊断方法 |
| US11440427B1 (en) * | 2021-11-01 | 2022-09-13 | Beta Air, Llc | Systems and methods for pre-charging short circuit detection in electric aircraft |
| CN115792638A (zh) * | 2022-12-17 | 2023-03-14 | 南京理工大学 | 基于电池模型参数辨识的soc-内短路联合估计方法 |
| CN116087787A (zh) * | 2023-01-18 | 2023-05-09 | 华能新能源股份有限公司山西分公司 | 一种基于主成分分析法的电池故障判断方法和系统 |
| CN116207766A (zh) * | 2023-05-05 | 2023-06-02 | 苏州时代华景新能源有限公司 | 一种锂电池储能系统的动态阈值控制方法及系统 |
| CN116345698A (zh) * | 2023-05-30 | 2023-06-27 | 中国华能集团清洁能源技术研究院有限公司 | 储能电站运维管控方法、系统、设备及介质 |
-
2023
- 2023-11-24 CN CN202311575845.9A patent/CN117289142B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111551860A (zh) * | 2020-05-26 | 2020-08-18 | 同济大学 | 一种基于弛豫电压特征的电池内短路诊断方法 |
| US11440427B1 (en) * | 2021-11-01 | 2022-09-13 | Beta Air, Llc | Systems and methods for pre-charging short circuit detection in electric aircraft |
| CN115792638A (zh) * | 2022-12-17 | 2023-03-14 | 南京理工大学 | 基于电池模型参数辨识的soc-内短路联合估计方法 |
| CN116087787A (zh) * | 2023-01-18 | 2023-05-09 | 华能新能源股份有限公司山西分公司 | 一种基于主成分分析法的电池故障判断方法和系统 |
| CN116207766A (zh) * | 2023-05-05 | 2023-06-02 | 苏州时代华景新能源有限公司 | 一种锂电池储能系统的动态阈值控制方法及系统 |
| CN116345698A (zh) * | 2023-05-30 | 2023-06-27 | 中国华能集团清洁能源技术研究院有限公司 | 储能电站运维管控方法、系统、设备及介质 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117686921A (zh) * | 2024-02-02 | 2024-03-12 | 江苏林洋亿纬储能科技有限公司 | 检测电池内短路的方法和系统及计算设备 |
| CN117686921B (zh) * | 2024-02-02 | 2024-05-31 | 江苏林洋亿纬储能科技有限公司 | 检测电池内短路的方法和系统及计算设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117289142B (zh) | 2024-03-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107957562B (zh) | 一种锂离子电池剩余寿命在线预测方法 | |
| CN108254696B (zh) | 电池的健康状态评估方法及系统 | |
| US20180364312A1 (en) | Apparatus and method for detecting battery state of health | |
| CN117289142B (zh) | 锂离子储能电站电池内部短路故障检测方法及装置 | |
| Wang et al. | Practical state estimation using Kalman filter methods for large-scale battery systems | |
| CN115114878B (zh) | 一种储能电站电池寿命在线预测方法、装置及存储介质 | |
| CN112666480A (zh) | 一种基于充电过程特征注意力的电池寿命预测方法 | |
| Zhang et al. | State‐of‐health estimation for the lithium‐ion battery based on gradient boosting decision tree with autonomous selection of excellent features | |
| CN116008827A (zh) | 一种锂离子电池析锂电位的确定方法、装置及电子设备 | |
| CN115932634A (zh) | 一种对电池健康状态评估的方法、装置、设备及存储介质 | |
| Kim et al. | Hysteresis modeling for model-based condition monitoring of lithium-ion batteries | |
| CN117129879B (zh) | 阈值调整方法和电池健康状态预测模型的训练方法 | |
| CN113311346B (zh) | 一种电芯预警方法、装置、云平台及存储介质 | |
| CN110850315A (zh) | 一种电池荷电状态的估算方法及装置 | |
| CN110297185A (zh) | 一种新能源汽车电池参数动态监测系统 | |
| Chen et al. | Data-driven statistical analysis and diagnosis of networked battery systems | |
| 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 | |
| Tang et al. | An aging-and load-insensitive method for quantitatively detecting the battery internal-short-circuit resistance | |
| Li et al. | A high-fidelity hybrid lithium-ion battery model for SOE and runtime prediction | |
| CN114660461A (zh) | 电池健康状态的评估方法、装置、电子设备和存储介质 | |
| Degla et al. | Improved lithium‐ion battery model for photovoltaic applications based on comparative analysis and experimental tests | |
| CN116299116A (zh) | 一种储能系统ocv-soc校准方法及电子设备 | |
| Wang et al. | Novel estimation solution on lithium‐ion battery state of charge with current‐free detection algorithm | |
| Wang et al. | Highly precise determination of the state of charge of vehicular battery | |
| CN116243165A (zh) | 确定电池一致性的方法、装置、计算设备及车辆 |
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 |