CN117388741A - 一种智算中心备用发电机组监测方法及系统 - Google Patents
一种智算中心备用发电机组监测方法及系统 Download PDFInfo
- Publication number
- CN117388741A CN117388741A CN202311333659.4A CN202311333659A CN117388741A CN 117388741 A CN117388741 A CN 117388741A CN 202311333659 A CN202311333659 A CN 202311333659A CN 117388741 A CN117388741 A CN 117388741A
- Authority
- CN
- China
- Prior art keywords
- signal
- battery
- determining
- noise
- battery signal
- 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 54
- 238000012544 monitoring process Methods 0.000 title claims abstract description 33
- 238000013507 mapping Methods 0.000 claims abstract description 72
- 230000036541 health Effects 0.000 claims abstract description 56
- 238000000354 decomposition reaction Methods 0.000 claims description 33
- 238000007599 discharging Methods 0.000 claims description 30
- 230000015654 memory Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 8
- 125000000962 organic group Chemical group 0.000 claims 1
- 238000013139 quantization Methods 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000009223 counseling Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011534 incubation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000012549 training 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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- 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]
- G01R31/3644—Constructional arrangements
- G01R31/3646—Constructional arrangements for indicating electrical conditions or variables, e.g. visual or audible indicators
-
- 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]
- G01R31/3644—Constructional arrangements
- G01R31/3648—Constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
Abstract
本申请提供了一种智算中心备用发电机组监测方法及系统,采集智算中心备用发电机组的机组电瓶的电瓶放电电流和电瓶放电电压,根据所述电瓶放电电流和所述电瓶放电电压确定映射电瓶信号,进而确定电瓶信号子量集,确定所述映射电瓶信号与所述电瓶信号子量集之间的信号相关度集,根据所述信号相关度集确定含噪电瓶信号集和无噪电瓶信号集,根据含噪电瓶信号集确定量化电瓶信号集,根据所述量化电瓶信号集和所述无噪电瓶信号集确定净噪映射电瓶信号,根据所述净噪映射电瓶信号确定健康判定因子,根据所述健康判定因子判断机组电瓶的健康状态,当机组电瓶处于非健康状态时,向智算中心发送故障警报信息,以提高智算中心备用发电机组的可靠性。
Description
技术领域
本申请涉及智算中心技术领域,更具体的说,本申请涉及一种智算中心备用发电机组监测方法及系统。
背景技术
智算中心,通常指的是计算机科学和人工智能领域的研究机构、教育机构或公司,致力于推动计算机科学、数据分析、机器学习和人工智能等领域的研究、教育和应用,这些中心通常开展各种活动,包括研究项目、课程培训、技术推广、创新孵化和咨询服务等,以推动人工智能技术的发展和应用。
智算中心作为用于存储、处理和管理大规模数据和计算工作负载的大型计算机设施,通常对电力供应的稳定性和可靠性要求非常高,因此通常会配置备用发电机组来确保电力供应的连续性,备用发电机组可以确保在主电源中断时数据中心仍能够提供持续的服务,防止数据丢失和业务中断,但现有技术中,由于数据中心备用发电机组众多,且大多数时候是属于备用状态,通常通过每月定期维护检查保证备用机组运行稳定,没有通过监测机组的运行状态动态调整运行维护方案,因此存在智算中心备用发电机组的可靠性不高的问题。
发明内容
本申请提供一种智算中心备用发电机组监测方法及系统,以解决智算中心备用发电机组的可靠性不高的技术问题。
为解决上述技术问题,本申请采用如下技术方案:
第一方面,本申请提供一种智算中心备用发电机组监测方法,包括:
采集智算中心备用发电机组的机组电瓶的电瓶放电电流和电瓶放电电压,根据所述电瓶放电电流和所述电瓶放电电压确定映射电瓶信号,在映射电瓶信号上叠加白噪声序列得到叠噪电瓶信号,对所述叠噪电瓶信号进行分解得到电瓶信号子量集;
确定所述映射电瓶信号与所述电瓶信号子量集之间的信号相关度集,根据所述信号相关度集确定信号关系紧密系数集,根据所述信号关系紧密系数集确定噪声决策信号;
根据所述噪声决策信号确定含噪电瓶信号集和无噪电瓶信号集,对所述待含噪电瓶信号集进行量化得到量化电瓶信号集,将所述量化电瓶信号集和所述无噪电瓶信号集进行信号重构,得到净噪映射电瓶信号;
根据所述净噪映射电瓶信号确定电瓶可用因子,由所述电瓶可用因子确定健康判定因子,根据所述健康判定因子判断机组电瓶的健康状态,当机组电瓶处于非健康状态时,向智算中心发送故障警报信息。
在一些实施例中,对所述叠噪电瓶信号进行分解得到电瓶信号子量集具体包括:
根据叠噪电瓶信号确定信号时移量;
根据所述信号时移量对所述叠噪电瓶信号进行平移,得到时移电瓶信号;
确定所述时移电瓶信号的所有信号极值点;
根据所述所有信号极值点确定分解信号线;
根据所述分解信号线对所述时移电瓶信号进行分解得到电瓶信号子量集。
在一些实施例中,确定所述映射电瓶信号与所述电瓶信号子量集之间的信号相关度集具体包括:
对于电瓶信号子量集中每个电瓶信号子量,确定该个电瓶信号子量的期望和方差;
确定映射电瓶信号的期望和方差;
确定所述映射电瓶信号与每个电瓶信号子量乘积的期望;
根据每个电瓶信号子量的期望和方差、所述映射电瓶信号的期望和方差、所述映射电瓶信号与该个电瓶信号子量乘积的期望,确定所述映射电瓶信号与该个电瓶信号子量之间的信号相关度,进而得到所述映射电瓶信号与所述电瓶信号子量集之间的信号相关度集。
在一些实施例中,根据所述信号相关度集确定信号关系紧密系数集具体包括:
从信号相关度集中获取各个电瓶信号子量分别对应的信号相关度;
根据各个电瓶信号子量分别对应的信号相关度,确定每个电瓶信号子量对应的信号关系紧密系数,从而得到信号关系紧密系数集。
在一些实施例中,根据所述信号关系紧密系数集确定噪声决策信号具体包括:
根据信号关系紧密系数集确定信号曲度线;
确定所述信号曲度线的噪声决策点;
根据所述噪声决策点和电瓶信号子量集确定噪声决策信号。
在一些实施例中,根据所述噪声决策信号确定待含噪电瓶信号集和无噪电瓶信号集具体包括:
将电瓶信号子量集按频率值进行降序排列,得到有序电瓶信号子量集;
确定噪声决策信号在所述有序电瓶信号子量集中的位置标签;
根据所述噪声决策信号在所述有序电瓶信号子量集中的位置标签,确定待含噪电瓶信号集和无噪电瓶信号集。
在一些实施例中,对所述待含噪电瓶信号集进行量化得到量化电瓶信号集具体包括:
确定待含噪电瓶信号集中每个待含噪电瓶信号的分解级数;
根据每个待含噪电瓶信号的分解级数对该个待含噪电瓶信号进行量化,得到每个待含噪电瓶信号对应的量化电瓶信号,进而确定量化电瓶信号集。
第二方面,本申请提供一种智算中心备用发电机组监测系统,包括有机组电瓶监测单元,所述机组电瓶监测单元包括:
电瓶信号子量集确定模块,用于采集智算中心备用发电机组的机组电瓶的电瓶放电电流和电瓶放电电压,根据所述电瓶放电电流和所述电瓶放电电压确定映射电瓶信号,在映射电瓶信号上叠加白噪声序列得到叠噪电瓶信号,对所述叠噪电瓶信号进行分解得到电瓶信号子量集;
噪声决策信号确定模块,用于确定所述映射电瓶信号与所述电瓶信号子量集之间的信号相关度集,根据所述信号相关度集确定信号关系紧密系数集,根据所述信号关系紧密系数集确定噪声决策信号;
净噪映射电瓶信号确定模块,用于根据所述噪声决策信号确定含噪电瓶信号集和无噪电瓶信号集,对所述含噪电瓶信号集进行量化得到量化电瓶信号集,将所述量化电瓶信号集和所述无噪电瓶信号集进行信号重构,得到净噪映射电瓶信号;
机组电瓶健康状态确定模块,用于根据所述净噪映射电瓶信号确定电瓶可用因子,由所述电瓶可用因子确定健康判定因子,根据所述健康判定因子判断机组电瓶的健康状态,当机组电瓶处于非健康状态时,向智算中心发送故障警报信息。
第三方面,本申请提供一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器用于存储计算机程序,所述处理器用于从所述存储器中调用并运行所述计算机程序,使得所述计算机设备执行上述的智算中心备用发电机组监测方法。
第四方面,本申请提供一种计算机可读存储介质,所述计算机可读存储介质中存储有指令或代码,当指令或代码在计算机上运行时,使得计算机执行时实现上述的智算中心备用发电机组监测方法。
本申请公开的实施例提供的技术方案具有以下有益效果:
本申请提供的一种智算中心备用发电机组监测方法及系统中,采集智算中心备用发电机组的机组电瓶的电瓶放电电流和电瓶放电电压,根据所述电瓶放电电流和所述电瓶放电电压确定映射电瓶信号,在映射电瓶信号上叠加白噪声序列得到叠噪电瓶信号,对所述叠噪电瓶信号进行分解得到电瓶信号子量集,确定所述映射电瓶信号与所述电瓶信号子量集之间的信号相关度集,根据所述信号相关度集确定信号关系紧密系数集,根据所述信号关系紧密系数集确定噪声决策信号,根据所述噪声决策信号确定含噪电瓶信号集和无噪电瓶信号集,对所述含噪电瓶信号集进行量化得到量化电瓶信号集,将所述量化电瓶信号集和所述无噪电瓶信号集进行信号重构,得到净噪映射电瓶信号,根据所述净噪映射电瓶信号确定电瓶可用因子,由所述电瓶可用因子确定健康判定因子,根据所述健康判定因子判断机组电瓶的健康状态,当机组电瓶处于非健康状态时,向智算中心发送故障警报信息,该方法通过采集智算中心备用发电机组的机组电瓶的电瓶放电电流和电瓶放电电压,根据所述电瓶放电电流和所述电瓶放电电压确定映射电瓶信号,在映射电瓶信号上叠加白噪声序列得到叠噪电瓶信号,根据叠噪电瓶信号确定净噪映射电瓶信号,使故障报警的可信度得到提升,根据所述净噪映射电瓶信号确定健康判定因子,根据所述健康判定因子判断机组电瓶的健康状态,当机组电瓶处于非健康状态时,向智算中心发送故障警报信息,以提高智算中心备用发电机组的可靠性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是根据本申请一些实施例所示的智算中心备用发电机组监测方法的示例性流程图;
图2是根据本申请一些实施例所示的机组电瓶监测单元的示例性硬件和/或软件的示意图;
图3是根据本申请一些实施例所示的实现智算中心备用发电机组监测方法的计算机设备的结构示意图。
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本申请实施例提供一种智算中心备用发电机组监测方法及系统,其核心是采集智算中心备用发电机组的机组电瓶的电瓶放电电流和电瓶放电电压,根据所述电瓶放电电流和所述电瓶放电电压确定映射电瓶信号,在映射电瓶信号上叠加白噪声序列得到叠噪电瓶信号,对所述叠噪电瓶信号进行分解得到电瓶信号子量集;确定所述映射电瓶信号与所述电瓶信号子量集之间的信号相关度集,根据所述信号相关度集确定信号关系紧密系数集,根据所述信号关系紧密系数集确定噪声决策信号;根据所述噪声决策信号确定含噪电瓶信号集和无噪电瓶信号集,对所述含噪电瓶信号集进行量化得到量化电瓶信号集,将所述量化电瓶信号集和所述无噪电瓶信号集进行信号重构,得到净噪映射电瓶信号;根据所述净噪映射电瓶信号确定电瓶可用因子,由所述电瓶可用因子确定健康判定因子,根据所述健康判定因子判断机组电瓶的健康状态,当机组电瓶处于非健康状态时,向智算中心发送故障警报信息,以提高智算中心备用发电机组的可靠性。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。参考图1,该图是根据本申请一些实施例所示的一种智算中心备用发电机组监测方法的示例性流程图,该智算中心备用发电机组监测方法100主要包括如下步骤:
在步骤101,采集智算中心备用发电机组的机组电瓶的电瓶放电电流和电瓶放电电压,根据所述电瓶放电电流和所述电瓶放电电压确定映射电瓶信号,在映射电瓶信号上叠加白噪声序列得到叠噪电瓶信号,根据所述叠噪电瓶信号确定电瓶信号子量集。
需要说明的是,本申请中可采用现有技术中的电池管理系统来采集智算中心备用发电机组的机组电瓶的电瓶放电电流和电瓶放电电压,在其它实施例中也可以采用其它方法得到,这里不做限定。
在一些实施例中,根据所述电瓶放电电流和所述电瓶放电电压确定映射电瓶信号可采用下述步骤实现:
根据电瓶放电电流确定机组电瓶的放电量;
根据电瓶放电电压和所述机组电瓶的放电量确定映射电瓶信号。
具体实现时,对电瓶放电电流在放电时间上进行积分得到机组电瓶的放电量,确定电瓶放电电压到机组电瓶的放电量的映射函数曲线,将电瓶放电电压到机组电瓶的放电量的映射函数曲线作为映射电瓶信号。
需要说明的是,本申请中可采用现有技术中的时间序列分析法对电瓶放电电压和机组电瓶的放电量进行映射分析,得到电瓶放电电压到机组电瓶的放电量的映射函数,在其它实施例中也可以采用其它方法得到,这里不做限定。
具体实现时,在映射电瓶信号上叠加白噪声序列得到叠噪电瓶信号具体包括:获取白噪声序列,将所述白噪声序列叠加到映射电瓶信号上,得到叠噪电瓶信号。
需要说明的是,本申请中可采用现有技术中的高斯分布随机数生成器获取白噪声序列,在其它实施例中也可以采用其它方法得到,这里不做限定。
在一些实施例中,对所述叠噪电瓶信号进行分解得到电瓶信号子量集可采用下述步骤实现:
根据叠噪电瓶信号确定信号时移量;
由所述信号时移量对所述叠噪电瓶信号进行平移,得到时移电瓶信号;
确定所述时移电瓶信号的所有信号极值点;
根据所述所有信号极值点确定分解信号线;
由所述分解信号线确定电瓶信号子量集。
具体实现时,根据叠噪电瓶信号确定信号时移量,将叠噪电瓶信号在时间轴上向右平移信号时移量个单位得到时移电瓶信号,确定所述时移电瓶信号的信号极值点,根据所述所有信号极值点确定分解信号线,根据所述分解信号线对所述时移电瓶信号进行分解得到电瓶信号子量集。
需要说明的是,本申请中可采用现有技术中的小波变换对时移电瓶信号进行分解定位,得到时移电瓶信号的所有极大值点和极小值点,具体实现时,将所有极大值点和极小值点作为所有信号极值点,通过非线性最小二乘拟合法将所有极大值点和所有极小值点分别进行拟合得到上包络线和下包络线,对上包络线和下包络线进行求平均得到均值包络线,将均值包络线作为分解信号线,在其它实施例中也可以采用其它方法得到,这里不做限定。
在一些实施例中,根据叠噪电瓶信号确定信号时移量可采用下述步骤实现:
获取叠噪电瓶信号的信号延续量;
根据所述信号延续量根据叠噪电瓶信号确定信号时移量,其中,所述信号时移量可根据下述公式确定:
其中,V表示信号时移量,L表示信号延续量,Floor表示向下取整,log2L表示以2为底L的对数。
需要说明的是,本申请中可采用现有技术中的Python中的‘len()’属性来获取叠噪电瓶信号的信号延续量,信号延续量表示叠噪电瓶信号在时域上的延续程度,具体实现时,可以将叠噪电瓶信号的延续程度作为叠噪电瓶信号的信号延续量,在其它实施例中也可以采用其它方法得到,这里不做限定。
在一些实施例中,根据所述分解信号线对所述时移电瓶信号进行分解得到电瓶信号子量集可采用下述步骤实现:
根据所述分解信号线对时移电瓶信号进行分解,得到电瓶信号子量;
由所述电瓶信号子量确定分解因子;
根据所述电瓶信号子量和所述分解因子确定电瓶信号子量集。
具体实现时,根据所述分解信号线对时移电瓶信号进行分解,得到电瓶信号子量,由所述电瓶信号子量确定分解因子,若分解因子大于预设阈值时,则将时移电瓶信号减去电瓶信号子量得到电瓶信号余量,再将电瓶信号余量作为时移电瓶信号重复上述步骤,即确定所述时移电瓶信号的所有信号极值点,根据所述所有信号极值点确定分解信号线,根据所述分解信号线对时移电瓶信号进行分解,得到电瓶信号子量,由所述电瓶信号子量确定分解因子,直到分解因子小于预设阈值,将得到的所有电瓶信号子量组成的集合作为电瓶信号子量集。
在一些实施例中,根据所述分解信号线对时移电瓶信号进行分解,得到电瓶信号子量,其中,所述电瓶信号子量可采用下述公式确定:
R=Y-V
其中,R表示电瓶信号子量,Y表示时移电瓶信号,V表示信号时移量。
在一些实施例中,由所述电瓶信号子量确定分解因子,其中,所述分解因子可采用下述公式确定:
其中,ηi表示第i个电瓶信号子量对应的分解因子,Ri(t)表示第i个电瓶信号子量,Ri-1(t)表示第i-1个电瓶信号子量,T表示第i个电瓶信号子量Ri(t)的一个周期,t表示电瓶信号子量在时域上的自变量,需要说明的是,当i的取值为0时,第i-1个电瓶信号子量Ri-1(t)的取值为1,需要说明的是,本申请中,分解因子是用来衡量电瓶信号子量是否可以继续分解的指标。
在步骤102,确定所述映射电瓶信号与所述电瓶信号子量集之间的信号相关度集,根据所述信号相关度集确定信号关系紧密系数集,根据所述信号关系紧密系数集确定噪声决策信号。
在一些实施例中,确定所述映射电瓶信号与所述电瓶信号子量集之间的信号相关度集可采用下述步骤实现:
对于电瓶信号子量集中每个电瓶信号子量,确定该个电瓶信号子量的期望和方差;
确定映射电瓶信号的期望和方差;
确定所述映射电瓶信号与每个电瓶信号子量乘积的期望;
根据每个电瓶信号子量的期望和方差、所述映射电瓶信号的期望和方差、所述映射电瓶信号与该个电瓶信号子量乘积的期望,确定所述映射电瓶信号与该个电瓶信号子量之间的信号相关度,进而得到所述映射电瓶信号与所述电瓶信号子量集之间的信号相关度集,其中,所述映射电瓶信号与该个电瓶信号子量之间的信号相关度可采用下述公式确定:
其中,B(S,Ri)表示映射电瓶信号S与第i个电瓶信号子量Ri之间的信号相关度,A(SRi)表示映射电瓶信号S与第i个电瓶信号子量Ri乘积的期望,A(S)表示映射电瓶信号S的期望,A(Ri)表示第i个电瓶信号子量Ri的期望,D(S)表示映射电瓶信号S的方差,D(Ri)第i个电瓶信号子量Ri的方差。
具体实现时,确定映射电瓶信号的期望和方差,确定所述映射电瓶信号与每个电瓶信号子量乘积的期望,根据每个电瓶信号子量的期望和方差、所述映射电瓶信号的期望和方差、所述映射电瓶信号与该个电瓶信号子量乘积的期望,确定所述映射电瓶信号与该个电瓶信号子量之间的信号相关度,将各个电瓶信号子量与映射电瓶信号之间所有的信号相关度组成的集合作为信号相关度集。
在一些实施例中,根据所述信号相关度集确定信号关系紧密系数集可采用下述步骤实现:
从信号相关度集中获取各个电瓶信号子量分别对应的信号相关度;
根据各个电瓶信号子量分别对应的信号相关度,确定每个电瓶信号子量对应的信号关系紧密系数,从而得到信号关系紧密系数集,其中,每个电瓶信号子量对应的信号关系紧密系数可采用下述公式确定:
其中,Ci表示第i个电瓶信号子量Ri对应的信号关系紧密系数,B(S,Ri)表示映射电瓶信号S与第i个电瓶信号子量Ri之间的信号相关度,B(S,Ri-1)表示映射电瓶信号S与第i-1个电瓶信号子量Ri-1之间的信号相关度,B(S,Ri+1)表示映射电瓶信号S与第i+1个电瓶信号子量Ri+1之间的信号相关度,需要说明的是,当i的取值为0时,映射电瓶信号S与第i-1个电瓶信号子量Ri-1之间的信号相关度B(S,Ri-1)取值为0,需要说明的是,本申请中,信号关系紧密系数表示电瓶信号子量分别与映射电瓶信号和相邻电瓶信号子量之间信号相关度的的变化程度。
具体实现时,从信号相关度集中获取各个电瓶信号子量分别对应的信号相关度,根据各个电瓶信号子量分别对应的信号相关度,确定每个电瓶信号子量对应的信号关系紧密系数,将所有电瓶信号子量分别对应的信号关系紧密系数组成的集合作为信号关系紧密系数集,得到信号关系紧密系数集。
在一些实施例中,根据所述信号关系紧密系数集确定噪声决策信号可采用下述步骤实现:
根据信号关系紧密系数集确定信号曲度线;
确定所述信号曲度线的噪声决策点;
根据所述噪声决策点和电瓶信号子量集确定噪声决策信号。
具体实现时,拟合信号关系紧密系数集中所有信号关系紧密系数得到信号曲度线,将信号曲度线依据时序的第一个极值点作为噪声决策点,由于信号曲度线是通过各个信号关系紧密系数拟合得到的,所以各个信号关系紧密系数也是信号曲度线上的点,需要说明的是,由于每个信号关系紧密系数都有对应的电瓶信号子量,所以信号曲度线的横坐标为电瓶信号子量对应的分解级数,获取距离噪声决策点最近的一个信号关系紧密系数对应的电瓶信号子量作为噪声决策信号。
需要说明的是,本申请中可采用现有技术中的样条插值法拟合信号关系紧密系数集中所有信号关系紧密系数得到信号曲度线,分解级数表示得到电瓶信号子量需要拆割时移电瓶信号的次数,在其它实施例中也可以采用其它方法得到,这里不做限定。
在步骤103,根据所述噪声决策信号确定含噪电瓶信号集和无噪电瓶信号集,对所述含噪电瓶信号集进行量化得到量化电瓶信号集,将所述量化电瓶信号集和所述无噪电瓶信号集进行信号重构,得到净噪映射电瓶信号。
在一些实施例中,根据所述噪声决策信号确定含噪电瓶信号集和无噪电瓶信号集可采用下述步骤实现:
对电瓶信号子量集按频率值进行降序排列,得到有序电瓶信号子量集;
确定噪声决策信号在所述有序电瓶信号子量集中的位置标签;
根据所述噪声决策信号在所述有序电瓶信号子量集中的位置标签,确定含噪电瓶信号集和无噪电瓶信号集。
具体实现时,对电瓶信号子量集中所有的电瓶信号子量按频率值进行降序排列,得到有序电瓶信号子量集,获取噪声决策信号在有序电瓶信号子量集中的位置标签,将噪声决策信号后序的所有电瓶信号子量作为含噪电瓶信号集,将包括噪声决策信号在内噪声决策信号前序的所有电瓶信号子量作为无噪电瓶信号集。
在一些实施例中,对所述含噪电瓶信号集进行量化得到量化电瓶信号集可采用下述步骤实现:
确定含噪电瓶信号集中每个含噪电瓶信号的分解级数;
根据每个含噪电瓶信号的分解级数对该个含噪电瓶信号进行量化,得到每个含噪电瓶信号对应的量化电瓶信号,进而确定量化电瓶信号集。
在一些实施例中,对所述含噪电瓶信号集进行量化得到量化电瓶信号集还可以采用下述步骤实现:
获取含噪电瓶信号集中第i次拆割得到的含噪电瓶信号gi;
确定第i次拆割得到的含噪电瓶信号gi对应的量化阈值Mi;
根据第i次拆割得到的含噪电瓶信号gi、第i次拆割得到的含噪电瓶信号gi对应的量化阈值Mi,确定第i个量化电瓶信号Gi,其中,第i个量化电瓶信号Gi可根据下述公式确定:
其中,e表示自然常数e。
将所有含噪电瓶信号分别对应的量化电瓶信号组成的集合作为量化电瓶信号集。
在一些实施例中,确定第i次拆割得到的含噪电瓶信号gi对应的量化阈值Mi可采用下述步骤实现:
获取第i次拆割得到的含噪电瓶信号gi对应的待处理信号延续量Li;
确定第i次拆割得到的含噪电瓶信号gi的中心趋势Zi;
根据第i次拆割得到的含噪电瓶信号gi对应的待处理信号延续量Li、第i次拆割得到的含噪电瓶信号gi的中心趋势Zi,确定确定第i次拆割得到的含噪电瓶信号gi对应的量化阈值Mi,其中,量化阈值Mi可根据下述公式确定:
需要说明的是,本申请中可采用现有技术中的Python中的‘len()’属性来获取第i次拆割得到的含噪电瓶信号gi对应的待处理信号延续量Li,待处理信号延续量表示含噪电瓶信号在时域上的延续程度,具体实现时,可以将含噪电瓶信号的信号长度作为含噪电瓶信号的待处理信号延续量,通过Python中的‘.median()’函数来获取第i次拆割得到的含噪电瓶信号gi的平均值作为中心趋势Zi,在其它实施例中也可以采用其它方法得到,这里不做限定。
在一些实施例中,确将所述量化电瓶信号集和所述无噪电瓶信号集进行信号重构,得到净噪映射电瓶信号可采用下述步骤实现:
将量化电瓶信号集中所有量化电瓶信号和无噪电瓶信号集中所有无噪电瓶信号进行叠加,得到重叠电瓶信号;
获取叠噪电瓶信号的信号时移量;
根据信号时移量和重叠电瓶信号确定净噪映射电瓶信号。
具体实现时,将量化电瓶信号集中所有量化电瓶信号和无噪电瓶信号集中所有无噪电瓶信号进行相互求和,得到重叠电瓶信号,获取叠噪电瓶信号的信号时移量,对重叠电瓶信号向左平移信号时移量个单位得到净噪映射电瓶信号。
在步骤104,根据所述净噪映射电瓶信号确定电瓶可用因子,由所述电瓶可用因子确定健康判定因子,根据所述健康判定因子判断机组电瓶的健康状态,当机组电瓶处于非健康状态时,向智算中心发送故障警报信息。
在一些实施例中,根据所述净噪映射电瓶信号确定电瓶可用因子可采用下述步骤实现:
确定净噪映射电瓶信号的峰值位置;
根据峰值位置确定电瓶可用因子。
具体实现时,确定净噪映射电瓶信号的峰值位置,得到峰值位置对应的峰值和电压值,将峰值位置对应的峰值和电压值作为电瓶可用因子,需要说明的是,电瓶可用因子是判断机组电瓶可用性的重要因素,机组电瓶可用性即机组电瓶健康状态。
需要说明的是,本申请中可采用现有技术中的峰值检测算法对净噪映射电瓶信号进行峰值检测,得到净噪映射电瓶信号的峰值位置,在其它实施例中也可以采用其它方法得到,这里不做限定。
在一些实施例中,由所述电瓶可用因子确定健康判定因子可采用下述步骤实现:
获取智算中心备用发电机组的机组电瓶的额定电瓶容量;
根据额定电瓶容量和电瓶可用因子确定健康判定因子,其中,所述健康判定因子可根据下述公式确定:
其中,ε表示健康判定因子,Q表示额定电瓶容量,S表示电瓶可用因子中的峰值,V表示电瓶可用因子中的电压值。
需要说明的是,智算中心备用发电机组的机组电瓶的额定电瓶容量为厂家设置,可以通过机组电瓶的铭牌获得。
具体实现时,根据所述健康判定因子判断机组电瓶的健康状态,当机组电瓶处于非健康状态时,向智算中心发送故障警报信息具体包括:当健康判定因子大于预设阈值时,则判定机组电瓶处于健康状态,智算中心备用发电机组可以正常启动,当健康判定因子小于健康阈值时,则判定机组电瓶处于非健康状态,智算中心备用发电机组系统故障报警,提示智算中心备用发电机组不能正常启动,应更换或维修机组电瓶,需要说明的是,一般当健康判定因子低于80%时,判定智算中心备用发电机组的机组电瓶处于非健康状态,即智算中心备用发电机组处于非健康状态,向智算中心发送故障警报信息,系统故障报警。
需要说明的是,通过健康判定因子可以判断智算中心备用发电机组的机组电瓶的健康状态,可以实时提醒相关人员动态调整智算中心备用发电机组的维护方案,提高智算中心备用发电机组的可靠性。
另外,本申请的另一方面,在一些实施例中,本申请提供一种智算中心备用发电机组监测系统,该系统还包括有机组电瓶监测单元,参考图2,该图是根据本申请一些实施例所示的机组电瓶监测单元的示例性硬件和/或软件的示意图,该机组电瓶监测单元200包括:电瓶信号子量集确定模块201、噪声决策信号确定模块202、净噪映射电瓶信号确定模块203、机组电瓶健康状态确定模块204,分别说明如下:
电瓶信号子量集确定模块201,本申请中电瓶信号子量集确定模块201主要用于采集智算中心备用发电机组的机组电瓶的电瓶放电电流和电瓶放电电压,根据所述电瓶放电电流和所述电瓶放电电压确定映射电瓶信号,在映射电瓶信号上叠加白噪声序列得到叠噪电瓶信号,对所述叠噪电瓶信号进行分解得到电瓶信号子量集;
噪声决策信号确定模块202,本申请中噪声决策信号确定模块202主要用于确定所述映射电瓶信号与所述电瓶信号子量集之间的信号相关度集,根据所述信号相关度集确定信号关系紧密系数集,根据所述信号关系紧密系数集确定噪声决策信号;
净噪映射电瓶信号确定模块203,本申请中净噪映射电瓶信号确定模块203主要用于根据所述噪声决策信号确定含噪电瓶信号集和无噪电瓶信号集,对所述含噪电瓶信号集进行量化得到量化电瓶信号集,将所述量化电瓶信号集和所述无噪电瓶信号集进行信号重构,得到净噪映射电瓶信号;
机组电瓶健康状态确定模块204,本申请中机组电瓶健康状态确定模块204主要用于根据所述净噪映射电瓶信号确定电瓶可用因子,由所述电瓶可用因子确定健康判定因子,根据所述健康判定因子判断机组电瓶的健康状态,当机组电瓶处于非健康状态时,向智算中心发送故障警报信息。
上文详细介绍了本申请实施例提供的智算中心备用发电机组监测方法及系统的示例,可以理解的是,相应的装置为了实现上述功能,其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在一些实施例中,本申请还提供一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器用于存储计算机程序,所述处理器用于从所述存储器中调用并运行所述计算机程序,使得所述计算机设备执行上述的智算中心备用发电机组监测方法。
在一些实施例中,参考图3,该图中的虚线表示该单元或该模块为可选的,该图是根据本申请施例提供的一种智算中心备用发电机组监测方法的计算机设备的结构示意图。上述实施例中的上述的智算中心备用发电机组监测方法可以通过图3所示的计算机设备来实现,该计算机设备300包括至少一个处理器301、存储器302以及至少一个通信单元305,该计算机设备300可以是终端设备或服务器或芯片。
处理器301可以是通用处理器或者专用处理器。例如,处理器301可以是中央处理器(central processing unit,CPU),CPU可以用于对计算机设备300进行控制,执行软件程序,处理软件程序的数据,计算机设备300还可以包括通信单元305,用以实现信号的输入(接收)和输出(发送)。
例如,计算机设备300可以是芯片,通信单元305可以是该芯片的输入和/或输出电路,或者,通信单元305可以是该芯片的通信接口,该芯片可以作为终端设备或网络设备或其它设备的组成部分。
又例如,计算机设备300可以是终端设备或服务器,通信单元305可以是该终端设备或该服务器的收发器,或者,通信单元305可以是该终端设备或该服务器的收发电路。
计算机设备300中可以包括一个或多个存储器302,其上存有程序304,程序304可被处理器301运行,生成指令303,使得处理器301根据指令303执行上述方法实施例中描述的方法。可选地,存储器302中还可以存储有数据(如目标审核模型)。可选地,处理器301还可以读取存储器302中存储的数据,该数据可以与程序304存储在相同的存储地址,该数据也可以与程序304存储在不同的存储地址。
处理器301和存储器302可以单独设置,也可以集成在一起,例如,集成在终端设备的系统级芯片(system on chip,SOC)上。
应理解,上述方法实施例的各步骤可以通过处理器301中的硬件形式的逻辑电路或者软件形式的指令完成,处理器301可以是CPU、数字信号处理器(digitalsignalprocessor,DSP)、专用集成电路(application specific integrated circuit,ASIC)、现场可编程门阵列(field programmable gate array,FPGA)或者其它可编程逻辑器件,例如,分立门、晶体管逻辑器件或分立硬件组件。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
例如,在一些实施例中,本申请还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有指令或代码,当指令或代码在计算机上运行时,使得计算机执行时实现上述的智算中心备用发电机组监测方法。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种智算中心备用发电机组监测方法,其特征在于,包括如下步骤:
采集智算中心备用发电机组的机组电瓶的电瓶放电电流和电瓶放电电压,根据所述电瓶放电电流和所述电瓶放电电压确定映射电瓶信号,在映射电瓶信号上叠加白噪声序列得到叠噪电瓶信号,对所述叠噪电瓶信号进行分解得到电瓶信号子量集;
确定所述映射电瓶信号与所述电瓶信号子量集之间的信号相关度集,根据所述信号相关度集确定信号关系紧密系数集,根据所述信号关系紧密系数集确定噪声决策信号;
根据所述噪声决策信号确定含噪电瓶信号集和无噪电瓶信号集,对所述含噪电瓶信号集进行量化得到量化电瓶信号集,将所述量化电瓶信号集和所述无噪电瓶信号集进行信号重构,得到净噪映射电瓶信号;
根据所述净噪映射电瓶信号确定电瓶可用因子,由所述电瓶可用因子确定健康判定因子,根据所述健康判定因子判断机组电瓶的健康状态,当机组电瓶处于非健康状态时,向智算中心发送故障警报信息。
2.如权利要求1所述的方法,其特征在于,对所述叠噪电瓶信号进行分解得到电瓶信号子量集具体包括:
根据叠噪电瓶信号确定信号时移量;
根据所述信号时移量对所述叠噪电瓶信号进行平移得到时移电瓶信号;
确定所述时移电瓶信号的所有信号极值点;
根据所述所有信号极值点确定分解信号线;
根据所述分解信号线对所述时移电瓶信号进行分解得到电瓶信号子量集。
3.如权利要求1所述的方法,其特征在于,确定所述映射电瓶信号与所述电瓶信号子量集之间的信号相关度集具体包括:
对于电瓶信号子量集中每个电瓶信号子量,确定该个电瓶信号子量的期望和方差;
确定映射电瓶信号的期望和方差;
确定所述映射电瓶信号与每个电瓶信号子量乘积的期望;
根据每个电瓶信号子量的期望和方差、所述映射电瓶信号的期望和方差、所述映射电瓶信号与该个电瓶信号子量乘积的期望,确定所述映射电瓶信号与该个电瓶信号子量之间的信号相关度,进而得到所述映射电瓶信号与所述电瓶信号子量集之间的信号相关度集。
4.如权利要求1所述的方法,其特征在于,根据所述信号相关度集确定信号关系紧密系数集具体包括:
从信号相关度集中获取各个电瓶信号子量分别对应的信号相关度;
根据各个电瓶信号子量分别对应的信号相关度,确定每个电瓶信号子量对应的信号关系紧密系数,以得到信号关系紧密系数集。
5.如权利要求1所述的方法,其特征在于,根据所述信号关系紧密系数集确定噪声决策信号具体包括:
根据信号关系紧密系数集确定信号曲度线;
确定所述信号曲度线的噪声决策点;
根据所述噪声决策点和电瓶信号子量集确定噪声决策信号。
6.如权利要求1所述的方法,其特征在于,根据所述噪声决策信号确定含噪电瓶信号集和无噪电瓶信号集具体包括:
对电瓶信号子量集按频率值进行降序排列,得到有序电瓶信号子量集;
确定噪声决策信号在所述有序电瓶信号子量集中的位置标签;
根据所述噪声决策信号在所述有序电瓶信号子量集中的位置标签,确定含噪电瓶信号集和无噪电瓶信号集。
7.如权利要求1所述的方法,其特征在于,对所述含噪电瓶信号集进行量化得到量化电瓶信号集具体包括:
确定含噪电瓶信号集中每个含噪电瓶信号的分解级数;
根据每个含噪电瓶信号的分解级数对该个含噪电瓶信号进行量化,得到每个含噪电瓶信号对应的量化电瓶信号,进而确定量化电瓶信号集。
8.一种智算中心备用发电机组监测系统,其特征在于,包括有机组电瓶监测单元,所述机组电瓶监测单元包括:
电瓶信号子量集确定模块,用于采集智算中心备用发电机组的机组电瓶的电瓶放电电流和电瓶放电电压,根据所述电瓶放电电流和所述电瓶放电电压确定映射电瓶信号,在映射电瓶信号上叠加白噪声序列得到叠噪电瓶信号,对所述叠噪电瓶信号进行分解得到电瓶信号子量集;
噪声决策信号确定模块,用于确定所述映射电瓶信号与所述电瓶信号子量集之间的信号相关度集,根据所述信号相关度集确定信号关系紧密系数集,根据所述信号关系紧密系数集确定噪声决策信号;
净噪映射电瓶信号确定模块,用于根据所述噪声决策信号确定含噪电瓶信号集和无噪电瓶信号集,对所述含噪电瓶信号集进行量化得到量化电瓶信号集,将所述量化电瓶信号集和所述无噪电瓶信号集进行信号重构,得到净噪映射电瓶信号;
机组电瓶健康状态确定模块,用于根据所述净噪映射电瓶信号确定电瓶可用因子,由所述电瓶可用因子确定健康判定因子,根据所述健康判定因子判断机组电瓶的健康状态,当机组电瓶处于非健康状态时,向智算中心发送故障警报信息。
9.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器,所述存储器用于存储计算机程序,所述处理器用于从所述存储器中调用并运行所述计算机程序,使得所述计算机设备执行权利要求1至7中任一项所述的智算中心备用发电机组监测方法。
10.一种计算机可读存储介质,所述计算机可读存储介质中存储有指令或代码,当指令或代码在计算机上运行时,使得计算机执行时实现如权利要求1至7任一项所述的智算中心备用发电机组监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311333659.4A CN117388741A (zh) | 2023-10-13 | 2023-10-13 | 一种智算中心备用发电机组监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311333659.4A CN117388741A (zh) | 2023-10-13 | 2023-10-13 | 一种智算中心备用发电机组监测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117388741A true CN117388741A (zh) | 2024-01-12 |
Family
ID=89469542
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311333659.4A Pending CN117388741A (zh) | 2023-10-13 | 2023-10-13 | 一种智算中心备用发电机组监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117388741A (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160252583A1 (en) * | 2013-10-14 | 2016-09-01 | Lg Chem, Ltd. | Apparatus for estimating state of hybrid secondary battery and method thereof |
CN107791971A (zh) * | 2017-10-31 | 2018-03-13 | 珠海城市职业技术学院 | 汽车电瓶监测方法、计算机装置、计算机可读存储介质 |
US20180143257A1 (en) * | 2016-11-21 | 2018-05-24 | Battelle Energy Alliance, Llc | Systems and methods for estimation and prediction of battery health and performance |
CN108896926A (zh) * | 2018-07-18 | 2018-11-27 | 湖南宏迅亿安新能源科技有限公司 | 一种锂电池健康状态的评估方法、评估系统及相关组件 |
CN112946522A (zh) * | 2021-02-05 | 2021-06-11 | 四川大学 | 低温工况导致电池储能系统内短路故障的在线监测方法 |
CN114545270A (zh) * | 2022-01-13 | 2022-05-27 | 上海电力大学 | 一种考虑健康因子延迟的锂电池健康状态估计方法 |
CN115267548A (zh) * | 2022-07-22 | 2022-11-01 | 苏州元启动力科技有限公司 | 锂电池电压采样方法、系统和可读存储介质 |
US20230152380A1 (en) * | 2020-03-31 | 2023-05-18 | Byd Company Limited | Method and apparatus for determining state of charge and battery management system |
CN116224126A (zh) * | 2023-03-31 | 2023-06-06 | 江南大学 | 一种电动汽车锂离子电池健康状态估计方法及系统 |
CN116298935A (zh) * | 2023-05-19 | 2023-06-23 | 河南科技学院 | 一种基于对抗编码器网络的锂离子电池健康状态估计方法 |
CN116609692A (zh) * | 2023-05-05 | 2023-08-18 | 深圳职业技术学院 | 一种基于充电机检测的电池健康状态诊断方法及系统 |
-
2023
- 2023-10-13 CN CN202311333659.4A patent/CN117388741A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160252583A1 (en) * | 2013-10-14 | 2016-09-01 | Lg Chem, Ltd. | Apparatus for estimating state of hybrid secondary battery and method thereof |
US20180143257A1 (en) * | 2016-11-21 | 2018-05-24 | Battelle Energy Alliance, Llc | Systems and methods for estimation and prediction of battery health and performance |
CN107791971A (zh) * | 2017-10-31 | 2018-03-13 | 珠海城市职业技术学院 | 汽车电瓶监测方法、计算机装置、计算机可读存储介质 |
CN108896926A (zh) * | 2018-07-18 | 2018-11-27 | 湖南宏迅亿安新能源科技有限公司 | 一种锂电池健康状态的评估方法、评估系统及相关组件 |
US20230152380A1 (en) * | 2020-03-31 | 2023-05-18 | Byd Company Limited | Method and apparatus for determining state of charge and battery management system |
CN112946522A (zh) * | 2021-02-05 | 2021-06-11 | 四川大学 | 低温工况导致电池储能系统内短路故障的在线监测方法 |
CN114545270A (zh) * | 2022-01-13 | 2022-05-27 | 上海电力大学 | 一种考虑健康因子延迟的锂电池健康状态估计方法 |
CN115267548A (zh) * | 2022-07-22 | 2022-11-01 | 苏州元启动力科技有限公司 | 锂电池电压采样方法、系统和可读存储介质 |
CN116224126A (zh) * | 2023-03-31 | 2023-06-06 | 江南大学 | 一种电动汽车锂离子电池健康状态估计方法及系统 |
CN116609692A (zh) * | 2023-05-05 | 2023-08-18 | 深圳职业技术学院 | 一种基于充电机检测的电池健康状态诊断方法及系统 |
CN116298935A (zh) * | 2023-05-19 | 2023-06-23 | 河南科技学院 | 一种基于对抗编码器网络的锂离子电池健康状态估计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Morando et al. | ANOVA method applied to proton exchange membrane fuel cell ageing forecasting using an echo state network | |
Azhar et al. | Multi-criteria decision making: a systematic review | |
Mohammadi et al. | Machine learning assisted stochastic unit commitment during hurricanes with predictable line outages | |
CN110912737A (zh) | 一种基于混合模型的动态感知性能预告警方法 | |
US11959970B2 (en) | Method and device for capacity degradation prediction of lithium-ion battery | |
CN110348472A (zh) | 数据检测规则生成方法、装置、计算机设备及存储介质 | |
CN115225516A (zh) | 一种基于改进abc-vmd的最小二乘支持向量机网络流量预测方法 | |
Singh et al. | Feature extraction and classification techniques for power quality disturbances in distributed generation: A review | |
CN114548161A (zh) | 一种重介分选精煤灰分预测方法、装置、电子设备及介质 | |
Ahajjam et al. | Electric power quality disturbances classification based on temporal-spectral images and deep convolutional neural networks | |
CN114266416A (zh) | 基于相似日的光伏发电功率短期预测方法、装置及存储介质 | |
CN114911615A (zh) | 微服务运行时智能预测调度的方法及应用 | |
CN117388741A (zh) | 一种智算中心备用发电机组监测方法及系统 | |
Koo et al. | Short-term electric load forecasting based on wavelet transform and GMDH | |
CN116205382A (zh) | 用电量的预测方法、预测装置、电子装置和电子设备 | |
CN106815659A (zh) | 一种基于混合模型的超短期太阳辐射预测方法及其装置 | |
CN116302835A (zh) | 一种运维数据异常检测装置、方法及存储介质 | |
CN115936365A (zh) | 多端直流联络线功率优化的区域电力现货市场出清方法和装置 | |
CN116186129A (zh) | 一种多源异构数据的处理方法及装置 | |
CN115144026A (zh) | 一种基于Tsallis熵的地铁接触轨系统状态特征提取方法及应用 | |
CN115409367A (zh) | 基于物联网的智能电网健康状态评估方法及系统 | |
CN110989363B (zh) | 一种基于深度学习的电能质量控制方法及装置 | |
CN113205259A (zh) | 电网调度决策评估方法、装置及终端设备 | |
Koo et al. | A study on short-term electric load forecasting using wavelet transform | |
Mgaya et al. | Machine learning approach for classifying power outage in secondary electric distribution network |
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 |