CN117347869A - 储能电池管理系统数据分析方法、装置、电子设备及介质 - Google Patents
储能电池管理系统数据分析方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN117347869A CN117347869A CN202311639994.7A CN202311639994A CN117347869A CN 117347869 A CN117347869 A CN 117347869A CN 202311639994 A CN202311639994 A CN 202311639994A CN 117347869 A CN117347869 A CN 117347869A
- Authority
- CN
- China
- Prior art keywords
- data
- energy storage
- storage battery
- battery
- change rate
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000004146 energy storage Methods 0.000 title claims abstract description 184
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000007405 data analysis Methods 0.000 title claims abstract description 26
- 230000008859 change Effects 0.000 claims abstract description 71
- 238000004458 analytical method Methods 0.000 claims abstract description 51
- 238000007726 management method Methods 0.000 claims description 54
- 238000004590 computer program Methods 0.000 claims description 12
- 238000007599 discharging Methods 0.000 claims description 10
- 230000000295 complement effect Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000009966 trimming Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 239000012080 ambient air Substances 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 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
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012549 training 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本申请涉及储能电池技术领域，尤其涉及一种储能电池管理系统数据分析方法、装置、电子设备及介质。本申请通过从储能电池管理系统中获取储能电池的多个初始数据，从所述多个初始数据中获取质量和准确性较高的多个目标数据。再根据电池电流数据得到均值电流数据，及根据电池工作时长数据和电池容量数据得到电池容量变化率之后，根据均值电流数据及电池容量变化率准确的识别储能电池的工作模式，从而利用预先训练完成的故障分析模型基于所述工作模式及所述多个目标数据，能够精细化的分析储能电池的故障概率。
Description
技术领域
本申请涉及储能电池技术领域，尤其是涉及一种储能电池管理系统数据分析方法、装置、电子设备及介质。
背景技术
现有技术中，面对大量的储能电池数据，通常是将储能电池数据可视化后通过人工进行分析，人工分析储能电池数据工作效率低且易产生错误。
此外，缺少对储能电池在充电阶段或储电阶段及放电阶段的工作模式进行有效识别的方法，导致无法精细化的对储能电池进行故障分析。
发明内容
鉴于以上内容，本申请提供一种储能电池管理系统数据分析方法、装置、电子设备及介质，能够准确的识别储能电池的工作模式，从而精细化的分析储能电池的故障概率。
本申请的第一方面提供一种储能电池管理系统数据分析方法，所述方法包括：
从储能电池管理系统中获取储能电池的多个初始数据；
从所述多个初始数据中获取多个目标数据，所述多个目标数据包括电池电流数据、电池容量数据、电池工作时长数据；
根据所述电池电流数据得到均值电流数据，及根据所述电池工作时长数据和所述电池容量数据得到电池容量变化率；
根据所述均值电流数据及所述电池容量变化率确定所述储能电池的工作模式；
利用预先训练完成的故障分析模型基于所述工作模式及所述多个目标数据分析所述储能电池的故障概率。
在一个可选的实施方式中，所述从所述多个初始数据中获取多个目标数据包括：
将每个所述初始数据与所述初始数据对应的预设数据阈值区间进行比较；
当确定所述初始数据位于所述预设数据阈值区间中时，将所述初始数据确定为目标数据。
在一个可选的实施方式中，所述根据所述均值电流数据及所述电池容量变化率确定所述储能电池的工作模式包括：
将所述均值电流数据与预设电流阈值区间的上限值进行比较，并判断所述电池容量变化率是否大于零；
当所述均值电流数据大于所述上限值，且所述电池容量变化率大于零时，确定所述工作模式为充电模式。
在一个可选的实施方式中，所述根据所述均值电流数据及所述电池容量变化率确定所述储能电池的工作模式还包括：
将所述均值电流数据与所述预设电流阈值区间的下限值进行比较，并判断所述电池容量变化率是否小于零；
当所述均值电流数据小于所述下限值，且所述电池容量变化率小于零时，确定所述工作模式为放电模式。
在一个可选的实施方式中，所述根据所述均值电流数据及所述电池容量变化率确定所述储能电池的工作模式还包括：
判断所述均值电流数据是否位于所述预设电流阈值区间内，并判断所述电池容量变化率是否等于零；
当所述均值电流数据位于所述预设电流阈值区间内时，且所述电池容量变化率等于零时，确定所述工作模式为储能模式。
在一个可选的实施方式中，在所述从储能电池管理系统中获取储能电池的多个初始数据之后，所述方法还包括：
获取所述多个初始数据中的缺失值，并计算所述缺失值与所述初始数据的缺失值比例；
将所述缺失值比例与预设缺失值比例阈值进行比较；
当所述缺失值比例小于所述预设缺失值比例阈值时，对所述缺失值进行补齐处理；
当所述缺失值比例大于所述预设缺失值比例阈值时，将所述多个初始数据舍弃，并重新从所述储能电池管理系统中获取所述储能电池的多个初始数据。
在一个可选的实施方式中，所述方法还包括：
确定所述工作模式对应的故障概率阈值；
根据所述故障概率及所述故障概率阈值生成电池分析报告。
本申请第二方面提供一种储能电池管理系统数据分析装置，所述装置包括：
获取模块，用于从储能电池管理系统中获取储能电池的多个初始数据，及从所述多个初始数据中获取多个目标数据，所述多个目标数据包括电池电流数据、电池容量数据、电池工作时长数据；
计算模块，用于根据所述电池电流数据得到均值电流数据，及根据所述电池工作时长数据和所述电池容量数据得到电池容量变化率；
确定模块，用于根据所述均值电流数据及所述电池容量变化率确定所述储能电池的工作模式；
分析模块，用于利用预先训练完成的故障分析模型基于所述工作模式及所述多个目标数据分析所述储能电池的故障概率。
本申请第三方面提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述储能电池管理系统数据分析方法的步骤。
本申请第四方面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储能电池管理系统数据分析方法的步骤。
综上所述，本申请提供的储能电池管理系统数据分析方法、装置、电子设备及介质，通过从储能电池管理系统中获取储能电池的多个初始数据，从所述多个初始数据中获取质量和准确性较高的多个目标数据。再根据电池电流数据得到均值电流数据，及根据电池工作时长数据和电池容量数据得到电池容量变化率之后，根据均值电流数据及电池容量变化率准确的识别储能电池的工作模式，从而利用预先训练完成的故障分析模型基于所述工作模式及所述多个目标数据，能够精细化的分析储能电池的故障概率。
附图说明
图1是本申请实施例示出的储能电池管理系统数据分析方法的流程图；
图2是本申请实施例示出的储能电池管理系统数据分析装置的功能模块图；
图3是本申请实施例的电子设备的结构示意图。
具体实施方式
本申请以下实施例中所使用的术语只是为了描述特定实施例的目的，而并非旨在作为对本申请的限制。如在本申请的说明书中所使用的那样，单数表达形式“一个”、“一种”、“所述”、“上述”、“该”和“这一”旨在也包括复数表达形式，除非其上下文中明确地有相反指示。还应当理解，本申请中使用的术语“及/或”是指包含一个或多个所列出项目的任何或所有可能组合。
以下，术语“第一”、“第二”仅用于描述目的，而不能理解为暗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一个或者更多个该特征，在本申请实施例的描述中，除非另有说明，“多个”的含义是两个或两个以上。
参照图1所示，为本申请实施例示出的储能电池管理系统数据分析方法的流程图，所述储能电池管理系统数据分析方法包括以下步骤。
S11，从储能电池管理系统中获取储能电池的多个初始数据。
储能电池管理系统在储能电站/系统中起着相当重要的作用，是储能电站/系统安全稳定的重要保障。但现有技术中缺少对储能电池不同工作模式下的分析方法，需要从储能电池管理系统中获取相关的储能电池数据，通过对储能电池数据进行分析确定储能电池的工作模式，并根据储能电池数据和储能电池的工作模式分析储能电池的故障概率确保储能电站/系统安全稳定运行。
储能电池管理系统可以通过至少一个采集设备（例如，传感器）根据采集时间周期（例如，定时采集，每1h采集一次）采集储能电池数据，并将采集到的储能电池数据存储在储能电池管理系统的本地数据库或其他存储介质中。
当需要分析储能电池的工作模式时，电子设备需要从储能电池管理系统中获取储能电池数据。在一些实施例中，电子设备可以根据预设时间周期（例如，定时获取，每天0点获取一次）从储能电池管理系统的本地数据或其他存储介质中获取后续用于分析的储能电池数据，将获取到的储能电池数据作为初始数据。所述初始数据可以包括，但不限于：电池状态数据、电池运行数据和环境数据。所述电池状态数据可以包括电池电流数据、电池电压数据、电池温度数据、电池容量数据、电池健康数据。所述电池运行数据可以包括工作功率、工作时长、工作效率等。所述环境数据可以包括：外界温度数据、外界湿度数据、外界气压数据等。
S12，从所述多个初始数据中获取多个目标数据。
当获取到多个初始数据时，面对大批量的初始数据，需要从初始数据中选择后续用于分析的目标数据，其中，所述目标数据包括电池电流数据、电池容量数据、电池工作时长数据。
当获取多个初始数据时，由于采集设备故障、采集错误或其他原因导致获取到初始数据的存在质量问题（例如，离散、缺失等），需要进一步控制初始数据质量来保证分析的可靠性。
在一个可选的实施方式中，所述从所述多个初始数据中获取多个目标数据包括：
将每个所述初始数据与所述初始数据对应的预设数据阈值区间进行比较；
当确定所述初始数据位于所述预设数据阈值区间中时，将所述初始数据确定为目标数据。
电子设备可以预先设置一个数据阈值的上限值和一个数据阈值的下限值，根据设置的数据阈值上限值和数据阈值下限值来确定预设数据阈值区间。
遍历初始数据，对于每个初始数据，判断是否处于预设数据阈值区间中。即，检查初始数据是否大于预设下限值，如果小于下限值，表示该初始数据不符合预设数据阈值区间，可以跳过该初始数据。如果该初始数据大于预设下限值，则检查初始数据是否小于预设上限值，如果大于上限值，同样不符合预设数据阈值区间，可以跳过该初始数据。如果初始数据既大于预设下限值又小于预设上限值，即，确定初始数据位于所述预设数据阈值区间中时，则将符合预设数据阈值区间的初始数据确定为目标数据。
示例性的，假设存在一组初始数据[18°C，27°C，30°C，38°C，44°C]，初始数据为电池温度数据时，匹配的数据预设数据阈值区间为[20°C，40°C]，则上限值为40°C，下限值为20°C。遍历每个初始数据，当初始数据为18°C时，小于下限值20°C，不符合预设数据阈值区间，被排除。当初始数据分别为27°C，30°C，38°C时，大于下限值20°C且小于上限值40°C，符合预设数据阈值区间，被确定为目标数据；当初始数据为44°C时，大于上限值40°C，不符合预设数据阈值区间，被排除。故初始数据[18°C，27°C，30°C，38°C，44°C]经过处理后，得到的目标数据为[27°C，30°C，38°C]。
通过上述可选的实施方式，从初始数据中筛选出符合预设数据阈值区间的目标数据，可以缩小分析的范围，提高数据分析的效率和准确性。只有在预设阈值区间内的目标数据需要经过进一步的处理和分析，而不必考虑超出预设阈值区间的初始数据在后续分析中的干扰程度，从而节省时间和资源。
在一个可选的实施方式中，在所述从储能电池管理系统中获取储能电池的多个初始数据之后，所述方法还包括：
获取所述多个初始数据中的缺失值，并计算所述缺失值与所述初始数据的缺失值比例；
将所述缺失值比例与预设缺失值比例阈值进行比较；
当所述缺失值比例小于所述预设缺失值比例阈值时，对所述缺失值进行补齐处理；
当所述缺失值比例大于所述预设缺失值比例阈值时，将所述多个初始数据舍弃，并重新从所述储能电池管理系统中获取所述储能电池的多个初始数据。
电子设备可以预先设置一个缺失值比例阈值。在一些实施例中，电子设备还可以根据初始数据中的缺失值来源（例如，采集设备故障、数据传输错误等）预先设置对应的缺失值补齐策略（例如，删除缺失值、平均值/中位数补齐、插值法补齐、模型预测补齐等），利用缺失值补齐策略对缺失值比例小于预设缺失值比例阈值的初始数据中存在的缺失值进行补齐处理。
示例性的，假设缺失值的来源是采集设备故障时，预先设置的缺失值补齐策略可以是插值法补齐或模型预测补齐。又假设缺失值的来源是数据传输错误时，预先设置的缺失值补齐策略可以是平均值/中位数补齐。
当获取到初始数据时，判断初始数据中缺失值的来源，匹配对应的缺失值补齐策略，计算初始数据的缺失值与初始数据之间的缺失值比例。其中，缺失值比例是指获取的多个初始数据中缺失值的数量与总初始数据的数量之间的比例关系，它表示了多个初始数据中所包含的缺失值在所述初始数据中的相对占比。
当电子设备从储能电池管理系统获取到初始数据时，遍历初始数据，对每个初始数据进行检查，判断初始数据中是否存在缺失值。当初始数据中存在缺失值时，电子设备会显示NaN（Not a Number）或null，统计所述初始数据中存在的缺失值数量，根据缺失值数量可以计算得到缺失值比例。示例性的，假设预设缺失值阈值为10%，获取的初始数据为[41，1，7，11，33，9，null，25，21，17]，确定缺失值来源是数据传输错误，计算缺失值比例为10%，可以利用平均值补齐方法将缺失值补齐。又假设获取的初始数据为[null，1，7，null，33，9，null，25，21，17]，计算缺失值比例为30%，将初始数据舍弃。
当初始数据中存在缺失值时，可以使用缺失值补齐策略对缺失值进行补齐，但当存在大量缺失值时，如果依旧利用缺失值补齐策略对缺失值进行补齐处理的话，会导致后续在对初始数据进行分析时存在较大的误差，导致识别的储能电池的工作模式不准确。
通过上述可选的实施方式，通过补齐缺失值比例不大于预设缺失值比例阈值的初始数据中的缺失值，及舍弃缺失值比例大于预设缺失值比例阈值的初始数据，可以确保初始数据的准确性和完整性，并提供更准确的分析结果。
当缺失值比例大于预设缺失值比例阈值时，将初始数据舍弃，并重新执行S11；当缺失值比例小于预设缺失值比例阈值时，利用预设补齐策略对所述缺失值进行补齐处理，执行步骤S12。
S13，根据所述电池电流数据得到均值电流数据，及根据所述电池工作时长数据和所述电池容量数据得到电池容量变化率。
其中，电池容量变化率表示单位时间内的电池容量变化速率，可以通过将容电池量变化量除以单位时间（例如，1小时）得到电池容量变化率。
当获取到电池电流数据、电池容量数据、电池工作时长数据时，可以根据多个电池电流数据计算得到均值电流数据。对于多个电池工作时长数据，电子设备可以计算每个电池工作时长数据之间的时间差，得到储能电池的实际工作时间。对于多个电池容量数据，电子设备可以获取每个电池工作时间点对应的电池容量数值，通过将电池容量数值与相应的工作时长数据进行对应，可以计算出在每个工作时长数据对应的电池容量变化量，根据每个电池容量变化量可以得到对应工作时长数据的电池容量变化率。在一些实施例中，可以通过当前时间点的电池容量与前一个时间点的电池容量相减得到电池容量变化量。当计算得到电池容量变化量时，可以根据电池容量变化量和工作时长数据得到电池容量变化率。
示例性的，假设存在一组电池容量数据[100kWh，95kWh，90kWh，85kWh，80kWh]，其中电池容量数据为100kWh时对应的时间点为19:00，其中电池容量数据为95kWh时对应的时间点为20:00，电池容量数据为90kWh时对应的时间点为21:00，电池容量数据为85kWh时对应的时间点为22:00，电池容量数据为80kWh时对应的时间点为23:00。对于19:00至20:00区间，工作时长数据为1h，计算得到的电池容量变化量为-5kWh，则根据工作时长数据和电池容量变化量计算得到电池容量变化率为-5kWh/h，以此类推进行计算。
在一些实施例中，当获取到电池电流数据、电池容量数据、电池工作时长数据时，电子设备可以将电池电流数据、电池容量数据、电池工作时长数据根据时间戳整合，以确保电池电流数据、电池容量数据、电池工作时长数据在相同时间点上一一对应。
S14，根据所述均值电流数据及所述电池容量变化率确定所述储能电池的工作模式。
电子设备可以预先根据一个电流阈值的上限值和一个电池阈值的下限值设置电流阈值区间。
电子设备将储能电池处于充电模式时的电池电流的流向方向确定为正方向，则储能电池处于放电模式时的电池电流的流向方向确定为负方向。
在一个可选的实施方式中，将所述均值电流数据与预设电流阈值区间的上限值进行比较，并判断所述电池容量变化率是否大于零。当所述均值电流数据大于所述上限值，且所述电池容量变化率大于零时，确定所述工作模式为充电模式。
示例性的，假设预设电流阈值区间为[-0.5A，0.5A]。存在一组电池电流数据[1.4A，1.6A，1.2A，0.7A，0.9A，1.1A]，对应的电池容量数据为[5kWh，10kWh，12kWh，13kWh，15kWh，20kWh]，计算得到均值电流数据约为1.18A，电池容量变化率为3kWh/h，因为均值电流数据大于0.5A，并且电池容量变化率大于0，可以确定储能电池的运行模式为充电模式。
在一个可选的实施方式中，将所述均值电流数据与预设电流阈值区间的下限值进行比较，并判断所述电池容量变化率是否小于零。当所述均值电流数据小于所述下限值，且所述电池容量变化率小于零时，确定所述工作模式为放电模式。
示例性的，假设预设电流阈值区间为[-0.5A，0.5A]，存在一组电池电流数据为[-1.4A，-1.6A，-1.2A，-0.7A，-0.9A，-1.1A]，对应的电池容量数据为[90kWh，80kWh，75kWh，73kWh，67kWh，60kWh]，计算得到均值电流数据约为-1.18A，电池容量变化率为-6kWh/h，因为均值电流数据小于-0.5A，并且电池容量变化率小于0，可以确定储能电池的运行模式为放电模式。
在一个可选的实施方式中，判断所述均值电流数据是否位于所述预设电流阈值区间内，并判断所述电池容量变化率是否等于零；当所述均值电流数据位于所述预设电流阈值区间内时，且所述电池容量变化率等于零时，确定所述工作模式为储能模式。
示例性的，假设预设电流阈值区间为[-0.5A，0.5A]，存在一组电池电流数据为[-0.4A，-0.6A，-0.2A，0A，0.3A，0.1A]，对应的电池容量数据为[90kWh，90.1kWh，90kWh，89.9kWh，90kWh，90kWh]，计算得到均值电流数据约为-0.13A，电池容量变化率为0kWh/h，因为均值电流数据位于[-0.5A，0.5A]，并且电池容量变化率等于零，可以确定储能电池的运行模式为储能模式。
S15，利用预先训练完成的故障分析模型，基于所述工作模式及所述多个目标数据分析所述储能电池的故障概率。
利用预先训练完成的故障分析模型分析储能电池的故障概率，电子设备可以分析储能电池在不同的工作模式下故障概率的变化情况，确定不同的工作模式对故障概率的不同影响。
在一些实施例中，电子设备可以利用大量历史储能电池数据预先训练一个分类模型（例如，逻辑回归、决策树、支持向量机等）或一个回归模型（例如，线性回归、随机森林等）得到一个故障分析模型，用于分析储能电池的故障概率。当确定储能电池的工作模式时，从目标数据中获取电池温度数据，计算电池温度数据的均值温度数据和温度变化率，利用预先训练完成是故障分析模型基于储能电池的工作模式、均值温度数据和温度变化率分析储能电池的故障概率。
当储能电池处于充电模式时，电能被转化为化学能存储在储能电池中，其中一部分能量会以热量的形式产生，导致电池温度数据上升，但如果当前均值温度数据较高且温度变化率较大时，故障分析模型可以确定储能电池当前的故障概率较高。又假设当前均值温度数据较低且温度变化率较小时，故障分析模型可以确定储能电池当前的故障概率较低。因为即使储能电池处于充电模式，即当储能电池充电速率较高，电池内部会生成更多的热量时，当前的均值温度确较低且温度变化率较小，则电池内部的温度波动是相对较小，且储能电池运行稳定。
当储能电池处于放电模式时，因为电池内部的化学反应会产生一定数量的热量，储能电池温度通常会稍微上升。在放电过程中，电池温度数据的升高程度取决于储能电池的电流大小和工作速率。假设当前均值温度数据较高且温度变化率较大时，因为高温和剧烈的温度变化可能导致储能电池的物理和化学性质发生变化，进而增加电池内部的应力和损耗，故障分析模型可以确定储能电池当前的故障概率较储能电池处于充电模式时的故障概率更低。又假设当前均值温度数据较低且温度变化率较小时，根据故障分析模型确定储能电池当前的故障概率较储能电池处于充电模式时的故障概率更低。
当储能电池处于储能模式时，假设当前均值温度数据较高且温度变化率较大时，根据故障分析模型确定储能电池当前的故障概率较储能电池处于放电模式时的故障概率更低。又假设当前均值温度数据较低且温度变化率较小时，根据故障分析模型确定储能电池当前的故障概率较储能电池处于放电模式时的故障概率更低。
示例性的，假设当前储能电池的运行模式为充电模式，电池温度数据为37°C，温度变化率为1°C/分钟，使用故障分析模型可以得到储能电池当前故障概率为0.3，表示储能电池在放电模式下发生故障的可能性为30%。假设当前储能电池的运行模式为放电模式，均值温度数据为27°C，温度变化率为0.2°C/分钟，使用故障分析模型可以得到储能电池当前故障概率为0.12，表示储能电池在放电模式下发生故障的可能性为12%。又假设当前储能电池的运行模式为储能模式，均值温度数据为25°C，温度变化率为0.1°C/分钟，使用故障分析模型可以得到储能电池当前故障概率为0.08，表示储能电池在放电模式下发生故障的可能性为8%。
通过上述可选的实施方式，利用储能电池的工作模式和电池温度数据以及预先训练完成的故障预测模型，可以实时监测储能电池的健康状态和评估储能电池的故障风险，及时发现潜在的故障风险，并采取相应的措施进行维护和修复，从而提高储能电池的可靠性和寿命，减少故障造成的影响和损失。
在一个可选的实施方式中，所述方法还包括：
确定所述工作模式对应的故障概率阈值；
根据所述故障概率及所述故障概率阈值生成电池分析报告。
电子设备可以根据储能电池不同的工作模式预先设置不同的故障概率阈值。对于充电模式可以预先设置第一故障概率阈值，对于放电模式可以预先设置第二故障概率阈值，对于储能模式可以预先设置第三故障概率阈值。其中第一故障概率阈值、第二故障概率阈值和第三故障概率阈值可以设置为相同的数值，也可以设置为不同的数值，具体根据储能电池的实际应用需求设置。
将分析得到的故障概率与所述故障概率阈值进行比较，生成电池分析报告。其中，电池分析报告提供了关于储能电池工作模式的详细信息，并根据故障概率与故障概率阈值的比较，给出储能电池的健康状况评估。
示例性的，假设充电模式对应的第一故障概率阈值为0.3，利用故障分析模型得到的故障概率为0.1，说明储能电池没有明显的故障或异常，生成电池分析报告。例如，电池分析报告会指示储能电池在充电模式下正常运行，并建议继续进行监测和定期检查以确保电池系统的稳定性和可靠性。假设充放电模式对应的第二故障概率阈值为0.25，利用故障分析模型得到的故障概率为0.4，说明储能电池发生明显的故障或异常，生成电池分析报告。例如，电池分析报告会指示潜在的故障或异常，并提供建议措施，如进行维修或更换电池等。又假设储能模式对应的第三故障概率阈值为0.1，利用故障分析模型得到的故障概率为0.06，说明储能电池没有发生明显的故障或异常，生成电池分析报告。例如，电池分析报告会指示储能电池处于正常的储能模式，以高效率对电能进行存储，符合预期操作。
通过上述可选的实施方式，利用故障概率和故障概率阈值生成电池分析报告，为储能电池提供了健康状况评估，并提供了充电模式、放电模式及储能模式下电池温度和温度变化率等关键因素的分析结果，确保了储能电池的可靠性和稳定性。
参照图2所示，为本申请实施例示出的储能电池管理系统数据分析装置的功能模块图。在一些实施例中，所述储能电池管理系统数据分析装置20以包括多个由计算机程序段所组成的功能模块。所述储能电池管理系统数据分析装置的各个程序段的计算机程序可以存储于电子设备的存储器中，并由至少一个处理器所执行，以执行储能电池管理系统数据分析（详见图1描述）的功能。
本实施例中，所述储能电池管理系统数据分析装置20根据其所执行的功能，可以被划分为多个功能模块。所述功能模块可以包括：获取模块201、计算模块202、补齐模块203、确定模块204、分析模块205及生成模块206。本申请所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段，其存储在存储器中。
所述获取模块201，用于从储能电池管理系统中获取储能电池的多个初始数据。
所述获取模块201，还用于从所述多个初始数据中获取多个目标数据。
所述计算模块202，用于获取所述多个初始数据中的缺失值，并计算所述缺失值与所述初始数据的缺失值比例；将所述缺失值比例与预设缺失值比例阈值进行比较。
所述补齐模块203，用于当所述缺失值比例小于所述预设缺失值比例阈值时，利用预设补齐策略对所述缺失值进行补齐处理。
所述获取模块201，还用于当所述缺失值比例大于所述预设缺失值比例阈值时，将所述多个初始数据舍弃，并重新从所述储能电池管理系统中获取所述储能电池的多个初始数据。
所述计算模块202，还用于计算所述多个目标数据中电池电流数据的均值电流数据，及计算所述多个目标数据中工作时长的均值工作时长。
所述确定模块204，用于根据所述均值电流数据和所述均值工作时长确定所述储能电池的工作模式。
所述确定模块204，还用于将所述均值电流数据与预设电流阈值区间的上限值进行比较，并判断所述均值充电时长是否大于预设充电时长阈值；当所述均值电流数据大于所述上限值，且所述均值充电时长大于所述预设充电时长阈值时，确定所述工作模式为充电模式。
所述确定模块204，还用于将所述均值电流数据与预设电流阈值区间的下限值进行比较，并判断所述均值放电时长是否大于预设放电时长阈值；当所述均值电流数据小于所述下限值，且所述均值放电时长大于所述预设放电时长阈值时，确定所述工作模式为放电模式。
所述确定模块204，还用于判断所述均值电流数据是否位于所述预设电流阈值区间内，并判断所述均值储能时长是否大于预设储能时长阈值；当所述均值电流数据位于所述预设电流阈值区间内时，且所述均值储能时长大于所述预设储能时长阈值时，确定所述工作模式为储能模式。
所述分析模块205，用于利用预先训练完成的故障分析模型基于所述工作模式及所述多个目标数据分析所述储能电池的故障概率。
所述生成模块206，用于确定所述工作模式对应的故障概率阈值；根据所述故障概率及所述故障概率阈值生成电池分析报告。
应当理解的是，上述实施例提供的储能电池管理系统数据分析方法中的各种变化方式和具体实施例同样适用于本实施例的储能电池管理系统数据分析装置，通过前述对储能电池管理系统数据分析方法的详细描述，本领域技术人员可以清楚的知道本实施例中的储能电池管理系统数据分析装置的实施方法，为了说明书的简洁，在此不再详述。
参照图3所示，为本申请实施例示出的电子设备的结构示意图。在本申请较佳实施例中，所述电子设备3包括存储器31、至少一个处理器32及至少一条通信总线33。
本领域技术人员应该了解，图3示出的电子设备的结构并不构成本申请实施例的限定，既可以是总线型结构，也可以是星形结构，所述电子设备3还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置。
在一些实施例中，所述电子设备3是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路、可编程门阵列、数字处理器及嵌入式设备等。所述电子设备3还可包括客户设备，所述客户设备包括但不限于任何一种可与客户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、数码相机等。
需要说明的是，所述电子设备3仅为举例，其他现有的或今后可能出现的电子产品如可适应于本申请，也应包含在本申请的保护范围以内，并以引用方式包含于此。
在一些实施例中，所述存储器31中存储有计算机程序，所述计算机程序被所述至少一个处理器32执行时实现如所述的储能电池管理系统数据分析方法中的全部或者部分步骤。所述存储器31包括只读存储器（Read-Only Memory，ROM）、可编程只读存储器（Programmable Read-Only Memory，PROM）、可擦除可编程只读存储器（ErasableProgrammable Read-Only Memory，EPROM）、一次可编程只读存储器（One-timeProgrammable Read-Only Memory，OTPROM）、电子擦除式可复写只读存储器（Electrically-Erasable Programmable Read-Only Memory，EEPROM）、只读光盘（CompactDisc Read-Only Memory，CD-ROM）或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。进一步地，所述计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链（Blockchain），本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性（防伪）和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
在一些实施例中，所述至少一个处理器32是所述电子设备3的控制核心（ControlUnit），利用各种接口和线路连接整个电子设备3的各个部件，通过运行或执行存储在所述存储器31内的程序或者模块，以及调用存储在所述存储器31内的数据，以执行电子设备3的各种功能和处理数据。例如，所述至少一个处理器32执行所述存储器中存储的计算机程序时实现本申请实施例中所述的储能电池管理系统数据分析方法的全部或者部分步骤；或者实现储能电池管理系统数据分析装置的全部或者部分功能。所述至一个处理器32可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（Central Processing Unit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。
在一些实施例中，所述至少一条通信总线33被设置为实现所述存储器31以及所述至少一个处理器32等之间的连接通信。尽管未示出，所述电子设备3还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台电子设备（可以是个人计算机，电子设备，或者网络设备等）或处理器（processor）执行本申请各个实施例所述方法的部分。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，既可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
以上均为本申请的较佳实施例，并非依此限制本申请的保护范围，故：凡依本申请的结构、形状、原理所做的等效变化，均应涵盖于本申请的保护范围之内。
Claims (10)
1.一种储能电池管理系统数据分析方法，其特征在于，所述方法包括：
从储能电池管理系统中获取储能电池的多个初始数据；
从所述多个初始数据中获取多个目标数据，所述多个目标数据包括电池电流数据、电池容量数据、电池工作时长数据；
根据所述电池电流数据得到均值电流数据，及根据所述电池工作时长数据和所述电池容量数据得到电池容量变化率；
根据所述均值电流数据及所述电池容量变化率确定所述储能电池的工作模式；
利用预先训练完成的故障分析模型基于所述工作模式及所述多个目标数据分析所述储能电池的故障概率。
2.根据权利要求1所述的储能电池管理系统数据分析方法，其特征在于，所述从所述多个初始数据中获取多个目标数据包括：
将每个所述初始数据与所述初始数据对应的预设数据阈值区间进行比较；
当确定所述初始数据位于所述预设数据阈值区间中时，将所述初始数据确定为目标数据。
3.根据权利要求1所述的储能电池管理系统数据分析方法，其特征在于，所述根据所述均值电流数据及所述电池容量变化率确定所述储能电池的工作模式包括：
将所述均值电流数据与预设电流阈值区间的上限值进行比较，并判断所述电池容量变化率是否大于零；
当所述均值电流数据大于所述上限值，且所述电池容量变化率大于零时，确定所述工作模式为充电模式。
4.根据权利要求3所述的储能电池管理系统数据分析方法，其特征在于，所述根据所述均值电流数据及所述电池容量变化率确定所述储能电池的工作模式还包括：
将所述均值电流数据与所述预设电流阈值区间的下限值进行比较，并判断所述电池容量变化率是否小于零；
当所述均值电流数据小于所述下限值，且所述电池容量变化率小于零时，确定所述工作模式为放电模式。
5.根据权利要求4所述的储能电池管理系统数据分析方法，其特征在于，所述根据所述均值电流数据及所述电池容量变化率确定所述储能电池的工作模式还包括：
判断所述均值电流数据是否位于所述预设电流阈值区间内，并判断所述电池容量变化率是否等于零；
当所述均值电流数据位于所述预设电流阈值区间内时，且所述电池容量变化率等于零时，确定所述工作模式为储能模式。
6.根据权利要求1至5中任意一项所述的储能电池管理系统数据分析方法，其特征在于，在所述从储能电池管理系统中获取储能电池的多个初始数据之后，所述方法还包括：
获取所述多个初始数据中的缺失值，并计算所述缺失值与所述初始数据的缺失值比例；
将所述缺失值比例与预设缺失值比例阈值进行比较；
当所述缺失值比例小于所述预设缺失值比例阈值时，对所述缺失值进行补齐处理；
当所述缺失值比例大于所述预设缺失值比例阈值时，将所述多个初始数据舍弃，并重新从所述储能电池管理系统中获取所述储能电池的多个初始数据。
7.根据权利要求6所述的储能电池管理系统数据分析方法，其特征在于，所述方法还包括：
确定所述工作模式对应的故障概率阈值；
根据所述故障概率及所述故障概率阈值生成电池分析报告。
8.一种储能电池管理系统数据分析装置，其特征在于，所述装置包括：
获取模块，用于从储能电池管理系统中获取储能电池的多个初始数据，及从所述多个初始数据中获取多个目标数据，所述多个目标数据包括电池电流数据、电池容量数据、电池工作时长数据；
计算模块，用于根据所述电池电流数据得到均值电流数据，及根据所述电池工作时长数据和所述电池容量数据得到电池容量变化率；
确定模块，用于根据所述均值电流数据及所述电池容量变化率确定所述储能电池的工作模式；
分析模块，用于利用预先训练完成的故障分析模型基于所述工作模式及所述多个目标数据分析所述储能电池的故障概率。
9.一种储能电池管理系统，其特征在于，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的储能电池管理系统数据分析方法的步骤。
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中任一项所述的储能电池管理系统数据分析方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311639994.7A CN117347869B (zh) | 2023-12-04 | 2023-12-04 | 储能电池管理系统数据分析方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311639994.7A CN117347869B (zh) | 2023-12-04 | 2023-12-04 | 储能电池管理系统数据分析方法、装置、电子设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117347869A true CN117347869A (zh) | 2024-01-05 |
| CN117347869B CN117347869B (zh) | 2024-03-01 |
Family
ID=89371339
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311639994.7A Active CN117347869B (zh) | 2023-12-04 | 2023-12-04 | 储能电池管理系统数据分析方法、装置、电子设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117347869B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117829097A (zh) * | 2024-02-29 | 2024-04-05 | 双一力(宁波)电池有限公司 | 电池数据处理方法、装置、电子设备及可读存储介质 |
| CN118412973A (zh) * | 2024-07-01 | 2024-07-30 | 深圳三晖能源科技有限公司 | 一种面向电池储能系统的智能动态管控方法 |
Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH06281711A (ja) * | 1993-01-27 | 1994-10-07 | Nippon Soken Inc | バッテリ残存容量検出装置 |
| KR20020035263A (ko) * | 2000-11-06 | 2002-05-11 | 이계안 | 전기 자동차용 초기 전지 잔존 용량 예측방법 |
| JP2004031191A (ja) * | 2002-06-27 | 2004-01-29 | Nissan Motor Co Ltd | 組電池の容量調整装置および方法 |
| WO2011033781A1 (ja) * | 2009-09-18 | 2011-03-24 | パナソニック株式会社 | リチウム二次電池における正極活物質の充放電方法、ならびに、リチウム二次電池を備えた充放電システム、電池パック、電池モジュール、電子機器および車両 |
| JP2013088156A (ja) * | 2011-10-14 | 2013-05-13 | Furukawa Electric Co Ltd:The | 二次電池状態検出装置および二次電池状態検出方法 |
| CN107576918A (zh) * | 2017-09-25 | 2018-01-12 | 上海电气集团股份有限公司 | 锂电池的剩余电量的估算方法及系统 |
| CN108845267A (zh) * | 2018-06-29 | 2018-11-20 | 上海科列新能源技术有限公司 | 一种动力电池的数据处理方法和装置 |
| US20190178943A1 (en) * | 2017-12-07 | 2019-06-13 | National Chung Shan Institute Of Science And Technology | Battery health state evaluation device and method |
| US20200011932A1 (en) * | 2018-07-05 | 2020-01-09 | Nec Laboratories America, Inc. | Battery capacity fading model using deep learning |
| CN110687470A (zh) * | 2019-10-03 | 2020-01-14 | 天合光能股份有限公司 | 一种储能系统中锂电池寿命在线预测方法及系统 |
| US10594145B1 (en) * | 2017-11-17 | 2020-03-17 | Amazon Technologies, Inc. | Method for operation of device using battery state of health |
| CN112213643A (zh) * | 2020-09-30 | 2021-01-12 | 蜂巢能源科技有限公司 | 电池初始容量、电池健康状态的预测方法、系统及设备 |
| CN112240983A (zh) * | 2020-09-22 | 2021-01-19 | 清华大学 | 电池析锂检测方法及其检测装置 |
| CN113848495A (zh) * | 2021-10-11 | 2021-12-28 | 江苏省特种设备安全监督检验研究院 | 基于充电曲线的内部微短路故障诊断方法 |
| CN114089209A (zh) * | 2021-11-26 | 2022-02-25 | 国网冀北电力有限公司计量中心 | 电池可靠性评估方法及装置 |
| KR20220048370A (ko) * | 2020-10-12 | 2022-04-19 | 주식회사 엘지에너지솔루션 | 배터리 진단 장치 및 방법 |
| KR20220048371A (ko) * | 2020-10-12 | 2022-04-19 | 주식회사 엘지에너지솔루션 | 배터리 진단 장치 및 방법 |
| CN114879053A (zh) * | 2022-06-16 | 2022-08-09 | 珠海科创电力电子有限公司 | 一种储能磷酸铁锂电池寿命预测方法 |
| CN116047296A (zh) * | 2023-01-05 | 2023-05-02 | 国民技术股份有限公司 | 电池截止容量的预测方法、终端设备及存储介质 |
| CN116231165A (zh) * | 2023-03-27 | 2023-06-06 | 深圳市南霸科技有限公司 | 一种大容量储能电池加热方法及系统 |
| CN116794540A (zh) * | 2022-06-14 | 2023-09-22 | 深圳云动未来科技有限公司 | 一种电池性能预判方法、装置及存储介质 |
-
2023
- 2023-12-04 CN CN202311639994.7A patent/CN117347869B/zh active Active
Patent Citations (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH06281711A (ja) * | 1993-01-27 | 1994-10-07 | Nippon Soken Inc | バッテリ残存容量検出装置 |
| KR20020035263A (ko) * | 2000-11-06 | 2002-05-11 | 이계안 | 전기 자동차용 초기 전지 잔존 용량 예측방법 |
| JP2004031191A (ja) * | 2002-06-27 | 2004-01-29 | Nissan Motor Co Ltd | 組電池の容量調整装置および方法 |
| WO2011033781A1 (ja) * | 2009-09-18 | 2011-03-24 | パナソニック株式会社 | リチウム二次電池における正極活物質の充放電方法、ならびに、リチウム二次電池を備えた充放電システム、電池パック、電池モジュール、電子機器および車両 |
| JP2013088156A (ja) * | 2011-10-14 | 2013-05-13 | Furukawa Electric Co Ltd:The | 二次電池状態検出装置および二次電池状態検出方法 |
| CN107576918A (zh) * | 2017-09-25 | 2018-01-12 | 上海电气集团股份有限公司 | 锂电池的剩余电量的估算方法及系统 |
| US10594145B1 (en) * | 2017-11-17 | 2020-03-17 | Amazon Technologies, Inc. | Method for operation of device using battery state of health |
| US20190178943A1 (en) * | 2017-12-07 | 2019-06-13 | National Chung Shan Institute Of Science And Technology | Battery health state evaluation device and method |
| CN108845267A (zh) * | 2018-06-29 | 2018-11-20 | 上海科列新能源技术有限公司 | 一种动力电池的数据处理方法和装置 |
| US20200011932A1 (en) * | 2018-07-05 | 2020-01-09 | Nec Laboratories America, Inc. | Battery capacity fading model using deep learning |
| CN110687470A (zh) * | 2019-10-03 | 2020-01-14 | 天合光能股份有限公司 | 一种储能系统中锂电池寿命在线预测方法及系统 |
| CN112240983A (zh) * | 2020-09-22 | 2021-01-19 | 清华大学 | 电池析锂检测方法及其检测装置 |
| CN112213643A (zh) * | 2020-09-30 | 2021-01-12 | 蜂巢能源科技有限公司 | 电池初始容量、电池健康状态的预测方法、系统及设备 |
| KR20220048371A (ko) * | 2020-10-12 | 2022-04-19 | 주식회사 엘지에너지솔루션 | 배터리 진단 장치 및 방법 |
| KR20220048370A (ko) * | 2020-10-12 | 2022-04-19 | 주식회사 엘지에너지솔루션 | 배터리 진단 장치 및 방법 |
| CN115428230A (zh) * | 2020-10-12 | 2022-12-02 | 株式会社Lg新能源 | 电池诊断设备和方法 |
| CN113848495A (zh) * | 2021-10-11 | 2021-12-28 | 江苏省特种设备安全监督检验研究院 | 基于充电曲线的内部微短路故障诊断方法 |
| CN114089209A (zh) * | 2021-11-26 | 2022-02-25 | 国网冀北电力有限公司计量中心 | 电池可靠性评估方法及装置 |
| CN116794540A (zh) * | 2022-06-14 | 2023-09-22 | 深圳云动未来科技有限公司 | 一种电池性能预判方法、装置及存储介质 |
| CN114879053A (zh) * | 2022-06-16 | 2022-08-09 | 珠海科创电力电子有限公司 | 一种储能磷酸铁锂电池寿命预测方法 |
| CN116047296A (zh) * | 2023-01-05 | 2023-05-02 | 国民技术股份有限公司 | 电池截止容量的预测方法、终端设备及存储介质 |
| CN116231165A (zh) * | 2023-03-27 | 2023-06-06 | 深圳市南霸科技有限公司 | 一种大容量储能电池加热方法及系统 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117829097A (zh) * | 2024-02-29 | 2024-04-05 | 双一力(宁波)电池有限公司 | 电池数据处理方法、装置、电子设备及可读存储介质 |
| CN117829097B (zh) * | 2024-02-29 | 2024-05-28 | 双一力(宁波)电池有限公司 | 电池数据处理方法、装置、电子设备及可读存储介质 |
| CN118412973A (zh) * | 2024-07-01 | 2024-07-30 | 深圳三晖能源科技有限公司 | 一种面向电池储能系统的智能动态管控方法 |
| CN118412973B (zh) * | 2024-07-01 | 2024-09-17 | 深圳三晖能源科技有限公司 | 一种面向电池储能系统的智能动态管控方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117347869B (zh) | 2024-03-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117347869B (zh) | 储能电池管理系统数据分析方法、装置、电子设备及介质 | |
| CN111241154B (zh) | 一种基于大数据的蓄电池故障预警方法及系统 | |
| CN108375715B (zh) | 一种配电网线路故障风险日预测方法及系统 | |
| CN110119128B (zh) | 一种用于实验室用电设备的监控管理系统 | |
| CN112816885A (zh) | 一种电池异常检测方法、装置、电子设备及存储介质 | |
| CN116345700B (zh) | 一种用于储能电站的能耗监测方法及监测系统 | |
| CN117761444B (zh) | 一种电涌保护器的寿命监测方法及系统 | |
| CN113071966A (zh) | 电梯故障预测方法、装置、设备及存储介质 | |
| CN114295983A (zh) | 电池热失控预警方法、装置、车辆、设备及存储介质 | |
| CN116381542B (zh) | 基于人工智能的电源设备的健康诊断方法及装置 | |
| CN109284886B (zh) | 基于人工智能的用电安全管理方法及装置 | |
| CN113992602B (zh) | 一种电缆监测数据上传方法、装置、设备以及存储介质 | |
| CN117872146A (zh) | 监测电池异常的方法、装置、设备及存储介质 | |
| CN116956195A (zh) | 电能表数据冻结处理方法、装置、电子设备及存储介质 | |
| CN107121616B (zh) | 一种用于对智能仪表进行故障定位的方法和装置 | |
| CN117031287A (zh) | 利用大数据诊断车辆电池的系统和方法 | |
| CN114487848B (zh) | 一种蓄电池的状态计算方法和装置 | |
| CN115659620A (zh) | 基于数据相对重要度的fmeca分析方法及系统 | |
| CN112966785B (zh) | 一种智能化星座状态识别方法和系统 | |
| CN114706732A (zh) | 光伏电站运行数据的监测方法及装置 | |
| CN107450030B (zh) | 一种通信蓄电池遥测数据处理方法、装置及系统 | |
| CN117104073B (zh) | 一种基于物联网的新能源汽车电池管理系统 | |
| CN117367830B (zh) | 一种新能源车辆健康状态商检平台及方法 | |
| WO2024090453A1 (ja) | 情報処理方法、情報処理システム及びプログラム | |
| CN115018366B (zh) | 储能系统工作状态监测方法、装置、存储介质及电子设备 |
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 |