[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN114583301A - 基于安全特征参量表征体系的电站热失控预警方法及系统 - Google Patents

基于安全特征参量表征体系的电站热失控预警方法及系统 Download PDF

Info

Publication number
CN114583301A
CN114583301A CN202210463491.8A CN202210463491A CN114583301A CN 114583301 A CN114583301 A CN 114583301A CN 202210463491 A CN202210463491 A CN 202210463491A CN 114583301 A CN114583301 A CN 114583301A
Authority
CN
China
Prior art keywords
characteristic parameter
battery
representing
thermal runaway
voltage
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202210463491.8A
Other languages
English (en)
Other versions
CN114583301B (zh
Inventor
林达
赵波
张雪松
杨帆
戴哲仁
钱平
汪湘晋
章雷其
龚迪阳
陈凌宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Electric Power Research Institute of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
Electric Power Research Institute of State Grid Zhejiang Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Electric Power Research Institute of State Grid Zhejiang Electric Power Co Ltd filed Critical Electric Power Research Institute of State Grid Zhejiang Electric Power Co Ltd
Priority to CN202210463491.8A priority Critical patent/CN114583301B/zh
Publication of CN114583301A publication Critical patent/CN114583301A/zh
Application granted granted Critical
Publication of CN114583301B publication Critical patent/CN114583301B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/4207—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells for several batteries or cells simultaneously or sequentially
    • 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
    • G01R31/3835—Arrangements for monitoring battery or accumulator variables, e.g. SoC involving only voltage measurements
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Manufacturing & Machinery (AREA)
  • Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • General Chemical & Material Sciences (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Secondary Cells (AREA)
  • Alarm Systems (AREA)

Abstract

本发明公开了基于安全特征参量表征体系的电站热失控预警方法及系统，属于电站热失控预警技术领域。现有预警热失控风险的方法，主要基于温度阈值或温度变化率阈值，但是当这两者越限的时候热失控基本不可避免，损失难以挽回。本发明的基于安全特征参量表征体系的电站热失控预警方法，构建关系数模型、信息熵模型以及无量纲特征参数模型，并形成安全特征参量表征体系，进而能根据实际运行工况中的单体电压数据，计算安全特征参量数值；并利用计算出的安全特征参量数值，通过取并集的方法判定离群电池编号，实现储能电池系统的热失控风险早期诊断预警，能够有效避免热失控发生，从而能保证电池的使用安全，用户体验好，利于推广使用。

Description

基于安全特征参量表征体系的电站热失控预警方法及系统
技术领域
本发明涉及基于安全特征参量表征体系的电站热失控预警方法及系统，属于电站热失控预警技术领域。
背景技术
电池储能技术是储能领域最具应用前景的技术之一，但安全问题一直是其大规模推广应用所面临的主要挑战。
在实际应用中，储能电池在遭遇机械滥用、电滥用和热滥用时，电池材料受到破坏产生异常发热现象，热量的不断积聚加剧内部放热化学反应的进行，形成正反馈，最终造成热失控。目前电池热失控实验的研究局限于动力电池，缺乏储能电池热失控特性研究，并且一旦发生热失控将会造成难以预估的安全事故和经济损失。提前预警储能电池热失控风险，有助于降低储能电站运行安全风险，减少经济损失，提高运行可靠性。
进一步，中国专利（公开号：CN114069078A）公开了一种锂电池热失控预警系统，包括：被动触发模块，设置于电池模组上，被动触发模块用于在电池模组的温度超过预设温度后发出报警电信号；信号处理模块，与被动触发模块连接，信号处理模块用于在接收到报警电信号后发出热失控预警信号；保护模块；以及预警控制模块，包括预警单元以及控制单元，预警单元与信号处理模块连接，预警单元用于在接收到热失控预警信号后进行预警；控制单元与保护模块连接，控制单元用于控制保护模块进行热失控保护。
但上述方案以及现有其他用于预警热失控风险的方法，主要基于温度阈值或温度变化率阈值，但是当这两者越限的时候热失控基本不可避免，损失难以挽回，因此此类方案，存在很大的局限性，用户体验差，不利于推广使用。
发明内容
针对现有技术的缺陷，本发明的目的一在于提供一种构建相关系数模型、信息熵模型以及无量纲特征参数模型，并形成安全特征参量表征体系，进而能根据实际运行工况中的单体电压数据，计算安全特征参量数值；并利用计算出的安全特征参量数值，通过取并集的方法判定离群电池编号，实现储能电池系统的热失控风险早期诊断预警，能够有效避免热失控发生，从而能保证电池的使用安全，防止电池报废，用户体验好，利于推广使用的基于安全特征参量表征体系的电站热失控预警方法。
本发明的目的二在于提供一种特别适用于储能锂电池，通过构建安全特征参量表征体系，并利用取并集的方法判定离群电池编号，实现锂电池的热失控风险早期诊断，进而可以有效的进行锂电池热失控提前预警，从而保证锂电池的使用安全的基于安全特征参量表征体系的电站热失控预警方法及系统。
为实现上述目的之一，本发明的第一种技术方案为：
基于安全特征参量表征体系的电站热失控预警方法，
包括以下步骤：
第一步，采集运行工况中的电池电压数据；
第二步，对第一步中的电池电压数据，进行数据预处理，得到单体电压数据；
第三步，根据第二步中的单体电压数据的数据特征，构建安全特征参量表征体系；
所述安全特征参量表征体系至少包括相关系数模型、信息熵模型以及无量纲特征参数模型；
第四步，根据第三步中的相关系数模型、信息熵模型以及无量纲特征参数模型，分别根据实际运行工况中的单体电压数据，计算安全特征参量数值；
第五步，根据第四步中的安全特征参量数值，通过取并集的方法判定离群电池编号，实现储能电池系统的热失控风险早期诊断预警。
本发明经过不断探索以及试验，构建相关系数模型、信息熵模型以及无量纲特征参数模型，并形成安全特征参量表征体系，进而能根据实际运行工况中的单体电压数据，计算安全特征参量数值；并利用计算出的安全特征参量数值，通过取并集的方法判定离群电池编号，实现储能电池系统的热失控风险早期诊断预警，能够有效避免热失控发生，从而能保证电池的使用安全，防止电池报废，用户体验好，利于推广使用。
进一步，本发明特别适用于储能锂电池，通过上述的安全特征参量表征体系以及取并集的方法判定离群电池编号，实现锂电池的热失控风险早期诊断，进而可以有效的进行锂电池热失控提前预警，从而保证锂电池的使用安全。
作为优选技术措施：
所述第二步中，数据预处理包括数据清洗以及变分模态分解；
所述数据清洗，其具体包括以下内容：
对原始电池电压数据的缺失数据与异常点通过线性插值的方法将数据映射为相同时间间隔的时间序列，得到每个采样时刻近似准确的值；
所述变分模态分解包括对单体电池电压时序动态模式分量的提取，其提取方法如下：
对采集到的电池电压数据进行变分模态分解，得到单体电压的多个模式分量，并获取其中的时序动态模式分量；
所述时序动态模式分量的表达式如下：
Figure 523929DEST_PATH_IMAGE001
其中，i代表离散时刻点编号，N代表离散采样时序值个数，10<N<60。
优选的取N=20。
作为优选技术措施：
所述时序动态模式分量的获取方法通过获取k个模式分量，并提取其中的时序动态模式分量，用作后续的计算，其具体包括以下步骤：
步骤一，引入二次惩罚项和拉格朗日乘数，利用希尔伯特变换对采集到的电压信号序列进行处理，建立约束变分优化目标，其计算公式如下所示：
Figure 247165DEST_PATH_IMAGE002
Figure 110079DEST_PATH_IMAGE003
(1)
Figure 334387DEST_PATH_IMAGE004
(2)
其中，
Figure 599146DEST_PATH_IMAGE005
及
Figure 883497DEST_PATH_IMAGE006
分别表示信号的所有模态及其时域信号（k∈1，2，…，K）；K表 示分解得到的模态个数；
t表示采样时间序列；
Figure 296024DEST_PATH_IMAGE007
表示各模态的中心频率；
Figure 996126DEST_PATH_IMAGE008
及
Figure 177709DEST_PATH_IMAGE009
表示Lagrange乘子及其时域信号；
Figure 570644DEST_PATH_IMAGE010
表示二次惩罚因子，其值能通过乘数的方向交换解得；
Figure 470467DEST_PATH_IMAGE011
表示狄拉克分布，即单位脉冲函数；
Figure 974261DEST_PATH_IMAGE012
表示对
Figure 10350DEST_PATH_IMAGE013
求取时间t的偏导数；
*表示卷积算子；
Figure 636503DEST_PATH_IMAGE014
表示中心频率
Figure 961305DEST_PATH_IMAGE015
的指数项，用于把每个模态的频谱调制到相应的基带 上；
j表示虚数单位；
Figure 810401DEST_PATH_IMAGE016
表示求取解调信号梯度的平 方
Figure 966576DEST_PATH_IMAGE017
范数；
Figure 701313DEST_PATH_IMAGE018
及
Figure 310149DEST_PATH_IMAGE019
表示原始单体电压及其时域信号；
Figure 483642DEST_PATH_IMAGE020
表示两个变量的点乘；
步骤二，通过求解步骤一中的约束变分优化目标，获取模式分量在频域中的表达式，其具体计算公式如下所示：
Figure 432006DEST_PATH_IMAGE021
(3)
其中，
Figure 399962DEST_PATH_IMAGE022
表示信号频率；
Figure 496094DEST_PATH_IMAGE023
表示第i个模态之外的各模态频域信号；
Figure 879802DEST_PATH_IMAGE024
表示第k个模态频域信号的最优解；
Figure 948252DEST_PATH_IMAGE025
表示原始电压频域信号；
Figure 87109DEST_PATH_IMAGE026
表示Lagrange乘子频域信号；
Figure 608221DEST_PATH_IMAGE027
为原始电压时域信号
Figure 857936DEST_PATH_IMAGE028
的傅里叶变换结果；
Figure 780893DEST_PATH_IMAGE029
为第i个模态之外的各模态时域信号
Figure 90652DEST_PATH_IMAGE030
的傅里叶变换结果；
Figure 161376DEST_PATH_IMAGE031
为Lagrange乘子时域信号
Figure 152466DEST_PATH_IMAGE032
的傅里叶变换结果；
Figure 992246DEST_PATH_IMAGE033
为第k个模态时域信号
Figure 410589DEST_PATH_IMAGE034
的傅里叶变换结果；
步骤三，采用维纳滤波器，将步骤二中表达式的频域信号做反傅里叶变换，得到的结果取实部，作为相应模式分量的时域分量，即是单体电压时序动态模式分量；
1<K<6；
优选的，k设置为2。
作为优选技术措施：
所述第三步中，相关系数模型的构建方法如下：
基于数据预处理后的电池电压数据，通过计算单体电池间电压皮尔森相关系数以及单体电池电压与平均电压皮尔森相关系数，并与设定的相关系数阈值进行比较，获取皮尔森相关系数低于相关系数阈值的单体电池编号；
所述信息熵模型的构建方法如下：
基于数据预处理后的电池电压数据，通过线性函数归一化处理后，计算单体电压 的信息熵，并利用统计学正态分布
Figure 640713DEST_PATH_IMAGE035
阈值比较方法，获取其中的离群电池编号；
所述无量纲特征参数模型的构建方法如下：
基于数据预处理后的电池电压数据，采用滑动窗口计算一定时间序列内单体电压的无量纲特征参数的均差值，并将均差值与均差阈值进行比较，获取其中的离群电池编号。
作为优选技术措施：
皮尔森相关系数是度量两实数时序序列之间线性关系程度的量，其相关系数计算公式如下式所示：
Figure 497810DEST_PATH_IMAGE036
(4)
其中，
Figure 5146DEST_PATH_IMAGE037
表示相应实数时序序列
Figure 594391DEST_PATH_IMAGE038
的均值；
Figure 639707DEST_PATH_IMAGE039
表示相应实数时序序列
Figure 990177DEST_PATH_IMAGE040
的均值；
Figure 538970DEST_PATH_IMAGE041
表示相应实数时序序列
Figure 627012DEST_PATH_IMAGE038
的标准差；
Figure 831729DEST_PATH_IMAGE042
表示相应实数时序序列
Figure 765049DEST_PATH_IMAGE040
的标准差；
Figure 433928DEST_PATH_IMAGE043
代表取期望值；
单体电池间电压皮尔森相关系数为
Figure 630554DEST_PATH_IMAGE044
，单体电池电压与平均电压皮尔森相关系 数为
Figure 119304DEST_PATH_IMAGE045
；
根据相关系数计算公式，计算
Figure 121896DEST_PATH_IMAGE046
时只需令
Figure 582964DEST_PATH_IMAGE038
和
Figure 747229DEST_PATH_IMAGE040
分别为不同编号的单体电池电压 时序动态模式分量，计算
Figure 988854DEST_PATH_IMAGE047
时只需令
Figure 467240DEST_PATH_IMAGE038
和
Figure 845132DEST_PATH_IMAGE040
分别为单体电压时序动态模式分量和所有单 体电池的模式分量平均值向量。
作为优选技术措施：
利用相关系数模型获取单体电池编号的方法，如下所示：
将相关系数阈值
Figure 445878DEST_PATH_IMAGE048
设定为TT，且遵循故障单体个数为少数且故障单体极大可 能影响相邻两个串联单体的原则，若
Figure 846903DEST_PATH_IMAGE049
和
Figure 191297DEST_PATH_IMAGE050
低于TT且异常单体个数小于GG，则认定该电 池单体出现异常，具有发生热失控的风险，记录对应的单体电池编号，并组成相关系数数组
Figure 689274DEST_PATH_IMAGE051
，
其中，
Figure 133025DEST_PATH_IMAGE052
代表通过相关系数模型获得的离群单体电池总数；
Figure 349243DEST_PATH_IMAGE053
代表通过相关系数模型获得的离群单体电池编号。
优选的，TT=0.4；
GG=4。
作为优选技术措施：
所述单体电压的信息熵计算方法如下：
首先对单体电压的时序动态模式分量进行min-max标准化处理，使其值域为[0，1]，min-max的标准化计算方法如下式（5）：
Figure 231748DEST_PATH_IMAGE054
(5)
其中，
Figure 521915DEST_PATH_IMAGE055
为标准化后的值，
Figure 198884DEST_PATH_IMAGE056
为实数信号序列
Figure 636819DEST_PATH_IMAGE057
，N为离散采样点数；
通过对
Figure 260698DEST_PATH_IMAGE058
进行标准化计算得到标准化单体电压结果
Figure 467689DEST_PATH_IMAGE059
；
然后利用
Figure 581138DEST_PATH_IMAGE060
计算信息熵
Figure 444052DEST_PATH_IMAGE061
，计算方式如下：
Figure 668360DEST_PATH_IMAGE062
(6)
用统计学
Figure 995436DEST_PATH_IMAGE035
阈值比较获取离群电池编号的方法如下：
利用统计学正态分布
Figure 217470DEST_PATH_IMAGE035
阈值比较方法，获取其中的离群电池编号，并组成 信息熵数组
Figure 364417DEST_PATH_IMAGE063
，
其中，
Figure 330099DEST_PATH_IMAGE064
代表通过信息熵模型获得的离群单体电池总数，
Figure 511682DEST_PATH_IMAGE065
代表通过信息熵 模型获得的离群单体电池编号，
Figure 904617DEST_PATH_IMAGE066
为所有单体电池电压信息熵的平均值，
Figure 804440DEST_PATH_IMAGE067
为所有单体电 池电压信息熵的方差。
作为优选技术措施：
所述无量纲特征参数的均差值计算方法如下：
采用滑动窗口的方式计算一定时间序列内电压的无量纲特征参数，无量纲特征参数的计算公式如下式（7）所示：
Figure 308234DEST_PATH_IMAGE068
(7)
其中，
Figure 970476DEST_PATH_IMAGE070
表示来自单一或者多个信号源采集到的输入时间序列，其为常数向量；
Figure 29699DEST_PATH_IMAGE071
分别表示用于对
Figure 399501DEST_PATH_IMAGE072
作信号处理的第i阶函数，第j阶函 数；
Figure 555675DEST_PATH_IMAGE073
分别表示相应的概率密度分布函数；
Figure 290413DEST_PATH_IMAGE074
分别表示无量纲特征参数的特征阶次常数；
Figure 899249DEST_PATH_IMAGE075
分别表示第i阶和第j阶闵可夫斯基距离常数，并且
Figure 807162DEST_PATH_IMAGE075
分别为正 整数；
在计算单体电压的无量纲特征参数特征值时：
Figure 749667DEST_PATH_IMAGE076
Figure 717623DEST_PATH_IMAGE077
；
均差值与均差阈值进行比较，获取离群电池编号的计算方法如下：
将计算得到的单体电压无量纲特征参数均差时序值与均差阈值进行比较，如大于 均差阈值，则代表单体电池已经离群，具有热失控风险，获取其中的离群电池编号，并组成 无量纲特征数组
Figure 813755DEST_PATH_IMAGE078
；
其中，
Figure 463042DEST_PATH_IMAGE079
代表通过无量纲特征参数获得的离群单体电池总数；
Figure 732667DEST_PATH_IMAGE081
代表通过无量纲特征参数获得的离群单体电池编号。
作为优选技术措施：
根据计算得到的相关系数数组
Figure 988199DEST_PATH_IMAGE082
，信息熵数组
Figure 503494DEST_PATH_IMAGE083
，无量纲特征数组
Figure 488767DEST_PATH_IMAGE084
，通过取并 集的方法，筛选出三个数组都具有的离群电池编号，作为具有热失控风险的单体电压进行 热失控预警。
为实现上述目的之一，本发明的第二种技术方案为：
基于安全特征参量表征体系的电站热失控预警系统，应用上述的基于安全特征参量表征体系的电站热失控预警方法；其包括电压数据采集模块、预处理及提取模块、安全特征参量表征体系模块、取并集模块、预警模块；
电压数据采集模块，用于采集运行工况中的电池电压数据；
预处理及提取模块，用于电压数据的清洗以及对单体电池电压时序动态模式分量的提取；
安全特征参量表征体系模块，用于根据实际运行工况中的单体电压数据，计算安全特征参量数值，其设有相关系数计算单元、信息熵计算单元以及无量纲特征参数计算单元；
取并集模块，用于根据安全特征参量数值，通过取并集的方法判定离群电池编号；
预警模块，用于对储能电池系统的热失控风险进行预警。
与现有技术相比，本发明具有以下有益效果：
本发明经过不断探索以及试验，构建相关系数模型、信息熵模型以及无量纲特征参数模型，并形成安全特征参量表征体系，进而能根据实际运行工况中的单体电压数据，计算安全特征参量数值；并利用计算出的安全特征参量数值，通过取并集的方法判定离群电池编号，实现储能电池系统的热失控风险早期诊断预警，能够有效避免热失控发生，从而能保证电池的使用安全，防止电池报废，用户体验好，利于推广使用。
进一步，本发明特别适用于储能锂电池，可以在不干扰储能电池系统运行的情况，通过上述的安全特征参量表征体系，获取安全特征参量数值，并通过取并集的方法判定离群电池编号，为电池系统的提前干预维护提供预判，实现锂电池的热失控风险早期诊断，进而可以有效的进行锂电池热失控提前预警，从而保证锂电池的使用安全，提高储能电站运行安全水平。
附图说明
图1为本发明电站热失控预警方法的一种流程框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
相反，本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步，为了使公众对本发明有更好的了解，在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。
如图1所示，本发明电站热失控预警方法的一种具体实施例：
基于安全特征参量表征体系的电站热失控预警方法，
包括以下步骤：
第一步，采集运行工况中的电池电压数据；
第二步，对第一步中的电池电压数据，进行数据预处理，得到单体电压数据；
第三步，根据第二步中的单体电压数据的数据特征，构建安全特征参量表征体系；
所述安全特征参量表征体系至少包括相关系数模型、信息熵模型以及无量纲特征参数模型；
第四步，根据第三步中的相关系数模型、信息熵模型以及无量纲特征参数模型，分别根据实际运行工况中的单体电压数据，计算安全特征参量数值；
第五步，根据第四步中的安全特征参量数值，通过取并集的方法判定离群电池编号，实现储能电池系统的热失控风险早期诊断预警。
本发明经过不断探索以及试验，构建相关系数模型、信息熵模型以及无量纲特征参数模型，并形成安全特征参量表征体系，进而能根据实际运行工况中的单体电压数据，计算安全特征参量数值；并利用计算出的安全特征参量数值，通过取并集的方法判定离群电池编号，实现储能电池系统的热失控风险早期诊断预警，能够有效避免热失控发生，从而能保证电池的使用安全，防止电池报废，用户体验好，利于推广使用。
进一步，本发明特别适用于储能锂电池，通过上述的安全特征参量表征体系以及取并集的方法判定离群电池编号，实现锂电池的热失控风险早期诊断，进而可以有效的进行锂电池热失控提前预警，从而保证锂电池的使用安全。
本发明电站热失控预警方法应用到储能锂电池系统的一种具体实施例：
一种基于安全特征参量表征体系的储能电池热失控预警方法，包括以下步骤：
步骤1：对实际运行工况中BMS采集到的锂离子电池电压数据进行变分模态分解 （VMD）及数据预处理获取单体电压的多个模式分量（IMF），并提取其中的时序动态模式分量
Figure 736209DEST_PATH_IMAGE085
，i代表离散时刻点编号，N代表离散采样时序值个数，取N=20；
所述预处理包括：数据清洗与以及单体电池电压时序动态模式分量的提取；
步骤2：基于预处理后的锂离子电池电压数据，通过计算单体电池间电压Pearson相关系数以及单体电池电压与平均电压Pearson相关系数，并与设定的相关系数阈值进行比较，获取其中相关系数低的单体电池编号；
步骤3：基于预处理后的锂离子电池电压数据，通过min-max归一化处理后，计算单 体电压的信息熵，利用统计学正态分布
Figure 594761DEST_PATH_IMAGE087
阈值比较方法，获取其中的离群电池编号；
步骤4：基于预处理后的锂离子电池电压数据，采用滑动窗口计算一定时间序列内单体电压的无量纲特征参数（GDI）的均差值，通过与均差阈值进行比较，获取其中的离群电池编号；
步骤5：基于步骤2，3，4中获取到的离群电池编号，通过取并集的方法获得具有热失控风险的单体电压进行热失控预警。
本发明在不干扰储能电池系统运行的情况下，通过滑动时间窗的方式对储能电池系统单体运行电压数据进行分析，提取安全特征表征参数，并基于阈值或统计方法实现电池组内具有热失控风险的单体电池识别，为电池系统的提前干预维护提供预判。
本发明数据预处理的一种具体实施例：
数据清洗：对原始数据中的缺失数据与异常点通过线性插值的方法将数据映射为相同时间间隔的时间序列，得到每个采样时刻近似准确的值；
时序动态模式分量的获取：采用变分模态分解（VMD）方法获取k（k设置为2）个模式分量（IMF），提取其中的时序动态模式分量用来进行后续步骤的分析。具体采用VMD方法提取时序动态模式分量的方法如下：
首先引入二次惩罚项和拉格朗日乘数，利用Hilbert变换对采集到的电压信号序列进行处理，建立约束变分优化目标如下式（1）。
Figure 372224DEST_PATH_IMAGE088
其中，
Figure 852884DEST_PATH_IMAGE089
表示信号的所有模态，
Figure 348587DEST_PATH_IMAGE090
表示它们各自的中心频率，
Figure 940105DEST_PATH_IMAGE091
表示原始单体电 压时域信号，
Figure 899971DEST_PATH_IMAGE092
表示狄拉克分布，t表示采样时间序列，*表示卷积算子，
Figure 489215DEST_PATH_IMAGE093
表示约束信号保 真度的超参数，可以通过乘数的方向交换解得超参数值。
然后通过求解该变分优化问题，可以获取IMF在频域中的表示如下式(3)：
Figure 268953DEST_PATH_IMAGE094
(3)
其中，
Figure 664162DEST_PATH_IMAGE095
表示信号频率，
Figure 416217DEST_PATH_IMAGE096
表示第k个模态之外的各模态频域信号，
Figure 238680DEST_PATH_IMAGE097
表示第k个模态频域信号的最优解；原始电压频域信号
Figure 505713DEST_PATH_IMAGE098
、第i个模态之外的各模态频 域信号
Figure 642296DEST_PATH_IMAGE099
、Lagrange乘子频域信号
Figure 311175DEST_PATH_IMAGE100
和第k个模态频域信号
Figure 304539DEST_PATH_IMAGE101
分别代表 原始电压时域信号
Figure 996551DEST_PATH_IMAGE102
、第i个模态之外的各模态时域信号
Figure 749875DEST_PATH_IMAGE103
、Lagrange乘子时域信 号
Figure 273260DEST_PATH_IMAGE104
和第k个模态时域信号
Figure 312891DEST_PATH_IMAGE105
的傅里叶变换结果。
最后采用Wiener滤波结构，将式(3)中的频域信号做反傅里叶变换，得到的结果取实部即可获得相应IMF的时域分量，其中令k=2获取到的结果即是分析所需的单体电压时序动态模式分量。
本发明相关系数计算的一种具体实施例：
计算单体电池间电压Pearson相关系数
Figure 554517DEST_PATH_IMAGE106
以及单体电池电压与平均电压Pearson 相关系数
Figure 95220DEST_PATH_IMAGE107
的方法如下:
Pearson相关系数是度量两实数时序序列之间线性关系程度的量，其计算方式如下式（4）：
Figure 404935DEST_PATH_IMAGE108
(4)
其中，
Figure 5681DEST_PATH_IMAGE109
和
Figure 469023DEST_PATH_IMAGE110
分别表示相应实数时序序列
Figure 751100DEST_PATH_IMAGE111
和
Figure 983498DEST_PATH_IMAGE112
的均值和标准差，
Figure 692828DEST_PATH_IMAGE113
代表取 期望值。计算
Figure 643467DEST_PATH_IMAGE114
时只需令
Figure 525972DEST_PATH_IMAGE111
和
Figure 816139DEST_PATH_IMAGE112
分别为不同编号的单体电池电压时序动态模式分量，计 算
Figure 758687DEST_PATH_IMAGE115
时只需令
Figure 196622DEST_PATH_IMAGE111
和
Figure 820501DEST_PATH_IMAGE112
分别为单体电压时序动态模式分量和所有单体电池的模式分量平 均值向量。
本发明获取单体电池编号的第一种具体实施例：
通过与设定的相关系数阈值进行比较，获取相关系数低的单体电池编号，其具体方法如下：
将相关系数阈值
Figure 27492DEST_PATH_IMAGE116
设定为0.4，且遵循故障单体个数为少数且故障单体极大可能 影响相邻两个串联单体的原则，若
Figure 140941DEST_PATH_IMAGE117
和
Figure 3855DEST_PATH_IMAGE115
低于0.4且异常单体个数小于4，则认定该电池单体 出现异常可能发生热失控，记录对应的单体电池编号
Figure 228163DEST_PATH_IMAGE118
，
Figure 555239DEST_PATH_IMAGE119
代表通过相关系数方法获得的离群单体电池总数。
本发明信息熵计算的一种具体实施例：
所述单体电压的信息熵计算方法如下：
首先对单体电压的时序动态模式分量进行min-max标准化处理，使其值域为[0，1]，min-max的标准化计算方法如下式（5）：
Figure 511694DEST_PATH_IMAGE120
(5)
其中，
Figure 924220DEST_PATH_IMAGE121
为标准化后的值，
Figure 889902DEST_PATH_IMAGE122
为实数信号序列
Figure 71485DEST_PATH_IMAGE123
，N为离散采样点数。 通过对
Figure 526737DEST_PATH_IMAGE124
进行标准化计算得到标准化单体电压结果
Figure 98664DEST_PATH_IMAGE125
。
然后利用
Figure 664774DEST_PATH_IMAGE126
计算信息熵
Figure 966443DEST_PATH_IMAGE127
，计算方式如下：
Figure 530279DEST_PATH_IMAGE128
(6)
本发明获取离群电池编号的第二种实施例：
用统计学
Figure 651819DEST_PATH_IMAGE129
阈值比较获取离群电池编号，其具体的方法如下：
利用统计学正态分布
Figure 21621DEST_PATH_IMAGE129
阈值比较方法，获取其中的离群电池编号
Figure 115478DEST_PATH_IMAGE130
，
Figure 912533DEST_PATH_IMAGE131
代表通过信息熵方法获得的离群单体电池 总数，令
Figure 521369DEST_PATH_IMAGE132
为所有单体电池电压信息熵的平均值，
Figure 366965DEST_PATH_IMAGE133
为所有单体电池电压信息熵的方差。
本发明无量纲特征参数计算的一种具体实施例：
所述无量纲特征参数（GDI）的均差值计算方法如下：
可采用滑动窗口的方式计算一定时间序列内电压的无量纲特征参数（GDI），GDI的计算通式如下式（7）：
Figure 377647DEST_PATH_IMAGE134
(7)
其中，
Figure 345603DEST_PATH_IMAGE135
表示来自单一或者多个信号源采集到的输入时间序列，也可表示常数 向量，
Figure 379418DEST_PATH_IMAGE136
和
Figure 91022DEST_PATH_IMAGE137
表示用于对
Figure 956210DEST_PATH_IMAGE138
作简单信号处理的函数，
Figure 32750DEST_PATH_IMAGE139
表示相应的概率 密度分布函数，
Figure 616178DEST_PATH_IMAGE140
表示该GDI的特征阶次常数。
在计算单体电压的GDI特征值时，令
Figure 131473DEST_PATH_IMAGE141
，
Figure 788850DEST_PATH_IMAGE142
。
本发明获取离群电池编号的第三种实施例：
通过与均差阈值进行比较获取离群电池编号，其具体的计算方法如下：
通过设定GDI均差阈值
Figure 98609DEST_PATH_IMAGE143
，将计算得到的单体电压GDI均差时序值与
Figure 169333DEST_PATH_IMAGE143
进 行比较，如大于
Figure 160423DEST_PATH_IMAGE143
，则代表单体电池已经离群，具有热失控风险，获取其中的离群电池 编号
Figure 203DEST_PATH_IMAGE144
代表通过无量纲特征参数获得的离群单体 电池总数。
本发明电站热失控预警方法的一种最佳应用实施例：
一种基于安全特征参量表征体系的储能电池热失控预警方法，其步骤如下：
步骤1：对实际运行工况中BMS采集到的锂离子电池电压数据进行变分模态分解 （VMD）数据及预处理获取单体电压的多个模式分量（IMF），并提取其中的时序动态模式分量
Figure 480863DEST_PATH_IMAGE145
，i代表离散时刻点编号，N代表离散采样时序值个数，取N=20。
数据清洗：对原始数据中的缺失数据与异常点通过线性插值的方法将数据映射为相同时间间隔的时间序列，得到每个采样时刻近似准确的值；
时序动态模式分量的获取：采用变分模态分解（VMD）方法获取k（k设置为2）个模式分量（IMF），提取其中的时序动态模式分量用来进行后续步骤的分析。具体采用VMD方法提取时序动态模式分量的方法如下：
首先引入二次惩罚项和拉格朗日乘数，利用Hilbert变换对采集到的电压信号序列进行处理，建立约束变分优化目标如下式（8）。
Figure 562225DEST_PATH_IMAGE146
其中，
Figure 256512DEST_PATH_IMAGE147
表示信号的所有模态，
Figure 111335DEST_PATH_IMAGE148
表示它们各自的中心频率，
Figure 891073DEST_PATH_IMAGE149
表示原始单体电 压时域信号，
Figure 286282DEST_PATH_IMAGE150
表示狄拉克分布，
Figure 38337DEST_PATH_IMAGE151
表示采样时间序列，*表示卷积算子，
Figure 860800DEST_PATH_IMAGE152
表示约束信号保 真度的超参数，可以通过乘数的方向交换解得超参数值。
然后通过求解该变分优化问题，可以获取IMF在频域中的表示如下式(10)：
Figure 127833DEST_PATH_IMAGE153
(10)
其中，频域信号
Figure 264416DEST_PATH_IMAGE154
和
Figure 933295DEST_PATH_IMAGE155
分别代表时域信号
Figure 864342DEST_PATH_IMAGE156
和
Figure 618671DEST_PATH_IMAGE157
的傅里叶变换结果。
最后采用Wiener滤波结构，将式(10)中的频域信号做反傅里叶变换，得到的结果取实部即可获得相应IMF的时域分量，其中令k=2获取到的结果即是分析所需的单体电压时序动态模式分量。
步骤2：基于预处理后的锂离子电池电压数据，通过计算单体电池间电压Pearson相关系数以及单体电池电压与平均电压Pearson相关系数，并与设定的相关系数阈值进行比较，获取其中相关系数低的单体电池编号。
Pearson相关系数是度量两实数时序序列之间线性关系程度的量，其计算方式如下式所示：
Figure 355683DEST_PATH_IMAGE158
其中，
Figure 816751DEST_PATH_IMAGE159
和
Figure 246596DEST_PATH_IMAGE160
分别表示相应实数时序序列
Figure 488221DEST_PATH_IMAGE161
和
Figure 701028DEST_PATH_IMAGE162
的均值和标准差，
Figure 344499DEST_PATH_IMAGE163
代表取期 望值。计算
Figure 679665DEST_PATH_IMAGE164
时只需令
Figure 346270DEST_PATH_IMAGE161
和
Figure 425084DEST_PATH_IMAGE162
分别为不同编号的单体电池电压时序动态模式分量，计算
Figure 923062DEST_PATH_IMAGE165
时只需令
Figure 632392DEST_PATH_IMAGE161
和
Figure 583030DEST_PATH_IMAGE162
分别为单体电压时序动态模式分量和所有单体电池的模式分量平均 值向量。
将相关系数阈值
Figure 465536DEST_PATH_IMAGE166
设定为0.4，且遵循故障单体个数为少数且故障单体极大可能 影响相邻两个串联单体的原则，若
Figure 755703DEST_PATH_IMAGE164
和
Figure 698251DEST_PATH_IMAGE165
低于0.4且异常单体个数小于4，则认定该电池单体 出现异常可能发生热失控，记录对应的单体电池编号
Figure 136185DEST_PATH_IMAGE167
，
Figure 494486DEST_PATH_IMAGE168
代表通过相关系数方法获得的离群单体电池总数。
步骤3：基于预处理后的锂离子电池电压数据，通过min-max归一化处理后，计算单 体电压的信息熵，利用统计学正态分布
Figure 904738DEST_PATH_IMAGE169
阈值比较方法，获取其中的离群电池编号。
首先对单体电压的时序动态模式分量进行min-max标准化处理，使其值域为[0，1]，min-max的标准化计算方法如下式所示：
Figure 18188DEST_PATH_IMAGE170
其中，
Figure 943419DEST_PATH_IMAGE171
为标准化后的值，
Figure 105410DEST_PATH_IMAGE172
为实数信号序列
Figure 166907DEST_PATH_IMAGE173
，N为离散采样点数。通过 对
Figure 451257DEST_PATH_IMAGE174
进行标准化计算得到标准化单体电压结果
Figure 801467DEST_PATH_IMAGE175
。
然后利用
Figure 829466DEST_PATH_IMAGE176
计算信息熵
Figure 11049DEST_PATH_IMAGE177
，计算方式如下：
Figure 138405DEST_PATH_IMAGE178
利用统计学正态分布
Figure 38228DEST_PATH_IMAGE179
阈值比较方法，获取其中的离群电池编号
Figure 604338DEST_PATH_IMAGE180
，
Figure 843690DEST_PATH_IMAGE181
代表通过信息熵方法获得的离群单体电池总 数，令
Figure 204264DEST_PATH_IMAGE182
为所有单体电池电压信息熵的平均值，
Figure 546644DEST_PATH_IMAGE183
为所有单体电池电压信息熵的方差。
步骤4：基于预处理后的锂离子电池电压数据，采用滑动窗口计算一定时间序列内单体电压的无量纲特征参数（GDI）的均差值，通过与均差阈值进行比较，获取其中的离群电池编号。
可采用滑动窗口的方式计算一定时间序列内电压的无量纲特征参数（GDI），GDI的计算通式如下式所示：
Figure 916445DEST_PATH_IMAGE184
其中，
Figure 807041DEST_PATH_IMAGE185
表示来自单一或者多个信号源采集到的输入时间序列，也可表示常数 向量，
Figure 541779DEST_PATH_IMAGE186
和
Figure 150615DEST_PATH_IMAGE187
表示用于对
Figure 324107DEST_PATH_IMAGE188
作简单信号处理的函数，
Figure 272472DEST_PATH_IMAGE189
表示相应的概率密 度分布函数，
Figure 178111DEST_PATH_IMAGE190
分别表示闵可夫斯基距离常数，且
Figure 274243DEST_PATH_IMAGE190
分别大于0，
Figure 985847DEST_PATH_IMAGE191
表 示该GDI的特征阶次常数。
在计算单体电压的GDI特征值时，
令
Figure 788718DEST_PATH_IMAGE192
，
Figure 927575DEST_PATH_IMAGE193
。
通过设定GDI均差阈值
Figure 511003DEST_PATH_IMAGE194
，将计算得到的单体电压GDI均差时序值与
Figure 698402DEST_PATH_IMAGE194
进 行比较，如大于
Figure 683675DEST_PATH_IMAGE194
，则代表单体电池已经离群，具有热失控风险，获取其中的离群电池 编号
Figure 993434DEST_PATH_IMAGE195
，
Figure 1841DEST_PATH_IMAGE196
代表通过无量纲特征参数获得的离群单体电 池总数。
步骤5：结合步骤2，3，4中获取到的离群电池编号
Figure 55248DEST_PATH_IMAGE197
，通过取并集的方 法获得具有热失控风险的单体电压进行热失控预警。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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，本申请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。
本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (10)

1.基于安全特征参量表征体系的电站热失控预警方法，其特征在于，
包括以下步骤：
第一步，采集运行工况中的电池电压数据；
第二步，对第一步中的电池电压数据，进行数据预处理，得到单体电压数据；
第三步，根据第二步中的单体电压数据的数据特征，构建安全特征参量表征体系；
所述安全特征参量表征体系至少包括相关系数模型、信息熵模型以及无量纲特征参数模型；
第四步，根据第三步中的相关系数模型、信息熵模型以及无量纲特征参数模型，分别根据实际运行工况中的单体电压数据，计算安全特征参量数值；
第五步，根据第四步中的安全特征参量数值，通过取并集的方法判定离群电池编号，实现储能电池系统的热失控风险早期诊断预警。
2.如权利要求1所述的基于安全特征参量表征体系的电站热失控预警方法，其特征在于，
所述第二步中，数据预处理包括数据清洗以及变分模态分解；
所述数据清洗，其具体包括以下内容：
对原始电池电压数据的缺失数据与异常点通过线性插值的方法将数据映射为相同时间间隔的时间序列，得到每个采样时刻近似准确的值；
所述变分模态分解包括对单体电池电压时序动态模式分量的提取，其提取方法如下：
对采集到的电池电压数据进行变分模态分解，得到单体电压的多个模式分量，并获取其中的时序动态模式分量；
所述时序动态模式分量的表达式如下：
Figure 642971DEST_PATH_IMAGE001
其中，i代表离散时刻点编号，N代表离散采样时序值个数，10<N<60。
3.如权利要求2所述的基于安全特征参量表征体系的电站热失控预警方法，其特征在于，
所述时序动态模式分量的获取方法通过获取k个模式分量，并提取其中的时序动态模式分量，用作后续的计算，其具体包括以下步骤：
步骤一，引入二次惩罚项和拉格朗日乘数，利用希尔伯特变换对采集到的电压信号序列进行处理，建立约束变分优化目标，其计算公式如下所示：
Figure 373161DEST_PATH_IMAGE003
Figure 152898DEST_PATH_IMAGE005
(1)
Figure 548107DEST_PATH_IMAGE006
(2)
其中，
Figure 424797DEST_PATH_IMAGE007
及
Figure 247259DEST_PATH_IMAGE008
分别表示信号的所有模态及其时域信号，k∈1，2，…,K；
K表示分解得到的模态个数；
t表示采样时间序列；
Figure 514292DEST_PATH_IMAGE009
表示各模态的中心频率；
Figure 526242DEST_PATH_IMAGE010
及
Figure 195121DEST_PATH_IMAGE011
表示Lagrange乘子及其时域信号；
Figure 188484DEST_PATH_IMAGE012
表示二次惩罚因子，其值能通过乘数的方向交换解得；
Figure 5131DEST_PATH_IMAGE013
表示狄拉克分布，即单位脉冲函数；
Figure 742142DEST_PATH_IMAGE014
表示对
Figure 265528DEST_PATH_IMAGE015
求取时间t的偏导数；
*表示卷积算子；
Figure 502562DEST_PATH_IMAGE016
表示中心频率
Figure 744187DEST_PATH_IMAGE017
的指数项，用于把每个模态的频谱调制到相应的基带上；
Figure 19311DEST_PATH_IMAGE018
表示虚数单位；
Figure 725099DEST_PATH_IMAGE019
表示求取解调信号梯度的平方L 2 范数；
f及f(t)表示原始单体电压及其时域信号；
Figure 60265DEST_PATH_IMAGE020
表示两个变量的点乘；
步骤二，通过求解步骤一中的约束变分优化目标，获取模式分量在频域中的表达式，其具体计算公式如下所示：
Figure 789187DEST_PATH_IMAGE021
(3)
其中，
Figure 681051DEST_PATH_IMAGE022
表示信号频率；
Figure 179028DEST_PATH_IMAGE023
表示第i个模态之外的各模态频域信号；
Figure 950675DEST_PATH_IMAGE024
表示第k个模态频域信号的最优解；
Figure 963630DEST_PATH_IMAGE025
表示原始电压频域信号；
Figure 846136DEST_PATH_IMAGE026
表示Lagrange乘子频域信号；
Figure 198620DEST_PATH_IMAGE027
为
Figure 141168DEST_PATH_IMAGE028
的傅里叶变换结果；
Figure 392152DEST_PATH_IMAGE029
为第i个模态之外的各模态时域信号
Figure 812769DEST_PATH_IMAGE030
的傅里叶变换结果；
Figure 285338DEST_PATH_IMAGE031
为
Figure 461105DEST_PATH_IMAGE032
的傅里叶变换结果；
Figure 386335DEST_PATH_IMAGE033
为第k个模态时域信号
Figure 610643DEST_PATH_IMAGE034
的傅里叶变换结果；
步骤三，采用维纳滤波器，将步骤二中表达式的频域信号做反傅里叶变换，得到的结果取实部，作为相应模式分量的时域分量，即是单体电压时序动态模式分量；
1<K<6。
4.如权利要求1所述的基于安全特征参量表征体系的电站热失控预警方法，其特征在于，
所述第三步中，相关系数模型的构建方法如下：
基于数据预处理后的电池电压数据，通过计算单体电池间电压皮尔森相关系数以及单体电池电压与平均电压皮尔森相关系数，并与设定的相关系数阈值进行比较，获取皮尔森相关系数低于相关系数阈值的单体电池编号；
所述信息熵模型的构建方法如下：
基于数据预处理后的电池电压数据，通过线性函数归一化处理后，计算单体电压的信息熵，并利用统计学正态分布
Figure 485190DEST_PATH_IMAGE035
阈值比较方法，获取其中的离群电池编号；
所述无量纲特征参数模型的构建方法如下：
基于数据预处理后的电池电压数据，采用滑动窗口计算一定时间序列内单体电压的无量纲特征参数的均差值，并将均差值与均差阈值进行比较，获取其中的离群电池编号。
5.如权利要求4所述的基于安全特征参量表征体系的电站热失控预警方法，其特征在于，
皮尔森相关系数是度量两实数时序序列之间线性关系程度的量，其相关系数计算公式如下式所示：
Figure 769540DEST_PATH_IMAGE036
(4)
其中，
Figure 182067DEST_PATH_IMAGE037
表示相应实数时序序列
Figure 272383DEST_PATH_IMAGE038
的均值；
Figure 453966DEST_PATH_IMAGE039
表示相应实数时序序列
Figure 643638DEST_PATH_IMAGE040
的均值；
Figure 356511DEST_PATH_IMAGE041
表示相应实数时序序列
Figure 922621DEST_PATH_IMAGE038
的标准差；
Figure 224290DEST_PATH_IMAGE042
表示相应实数时序序列
Figure 647181DEST_PATH_IMAGE040
的标准差；
Figure 34300DEST_PATH_IMAGE043
代表取期望值；
单体电池间电压皮尔森相关系数为
Figure 404101DEST_PATH_IMAGE044
，单体电池电压与平均电压皮尔森相关系数为
Figure 107746DEST_PATH_IMAGE045
；
根据相关系数计算公式，计算
Figure 904801DEST_PATH_IMAGE044
时只需令
Figure 513637DEST_PATH_IMAGE038
和
Figure 687129DEST_PATH_IMAGE040
分别为不同编号的单体电池电压时序动态模式分量，计算
Figure 760127DEST_PATH_IMAGE045
时只需令
Figure 728083DEST_PATH_IMAGE038
和
Figure 824215DEST_PATH_IMAGE040
分别为单体电压时序动态模式分量和所有单体电池的模式分量平均值向量。
6.如权利要求5所述的基于安全特征参量表征体系的电站热失控预警方法，其特征在于，
利用相关系数模型获取单体电池编号的方法，如下所示：
将相关系数阈值
Figure 348869DEST_PATH_IMAGE046
设定为TT，且遵循故障单体个数为少数且故障单体极大可能影响相邻两个串联单体的原则，若
Figure 214056DEST_PATH_IMAGE044
和
Figure 352914DEST_PATH_IMAGE045
低于TT且异常单体个数小于GG，则认定该电池单体出现异常，具有发生热失控的风险，记录对应的单体电池编号，并组成相关系数数组
Figure 998659DEST_PATH_IMAGE047
；
其中，
Figure 248374DEST_PATH_IMAGE048
代表通过相关系数模型获得的离群单体电池总数；
Figure 233648DEST_PATH_IMAGE049
代表通过相关系数模型获得的离群单体电池编号。
7.如权利要求6所述的基于安全特征参量表征体系的电站热失控预警方法，其特征在于，
所述单体电压的信息熵计算方法如下：
首先对单体电压的时序动态模式分量进行min-max标准化处理，使其值域为[0，1]，
min-max的标准化计算方法如下式（5）：
Figure 356456DEST_PATH_IMAGE050
(5)
其中，
Figure 427180DEST_PATH_IMAGE051
为标准化后的值，
Figure 480587DEST_PATH_IMAGE052
为实数信号序列
Figure 382684DEST_PATH_IMAGE053
，N为离散采样点数；
通过对
Figure 863344DEST_PATH_IMAGE054
进行标准化计算得到标准化单体电压结果
Figure 155785DEST_PATH_IMAGE055
；
然后利用
Figure 820072DEST_PATH_IMAGE056
计算信息熵
Figure 514359DEST_PATH_IMAGE057
，计算方式如下：
Figure 165920DEST_PATH_IMAGE058
(6)
用统计学
Figure 273553DEST_PATH_IMAGE035
阈值比较获取离群电池编号的方法如下：
利用统计学正态分布
Figure 668762DEST_PATH_IMAGE035
阈值比较方法，获取其中的离群电池编号，并组成信息熵数组
Figure 217555DEST_PATH_IMAGE059
，
其中，
Figure 118647DEST_PATH_IMAGE060
代表通过信息熵模型获得的离群单体电池总数，
Figure 385680DEST_PATH_IMAGE061
代表通过信息熵模型获得的离群单体电池编号，
Figure 584580DEST_PATH_IMAGE062
为所有单体电池电压信息熵的平均值，
Figure 987879DEST_PATH_IMAGE063
为所有单体电池电压信息熵的方差。
8.如权利要求7所述的基于安全特征参量表征体系的电站热失控预警方法，其特征在于，
所述无量纲特征参数的均差值计算方法如下：
采用滑动窗口的方式计算一定时间序列内电压的无量纲特征参数，无量纲特征参数的计算公式如下式（7）所示：
Figure 309139DEST_PATH_IMAGE064
(7)
其中，
Figure 63469DEST_PATH_IMAGE065
表示来自单一或者多个信号源采集到的输入时间序列，其为常数向量；
Figure 800481DEST_PATH_IMAGE066
，
Figure 136915DEST_PATH_IMAGE067
分别表示用于对
Figure 566759DEST_PATH_IMAGE068
作信号处理的第i阶函数, 第j阶函数；
Figure 542806DEST_PATH_IMAGE069
，
Figure 145825DEST_PATH_IMAGE070
分别表示相应的概率密度分布函数；
Figure 789296DEST_PATH_IMAGE071
，
Figure 124463DEST_PATH_IMAGE072
分别表示无量纲特征参数的特征阶次常数；
Figure 666434DEST_PATH_IMAGE073
，
Figure 745248DEST_PATH_IMAGE074
分别表示第i阶和第j阶闵可夫斯基距离常数，并且
Figure 243226DEST_PATH_IMAGE073
，
Figure 811610DEST_PATH_IMAGE074
分别为正整数；
均差值与均差阈值进行比较，获取离群电池编号的计算方法如下：
将计算得到的单体电压无量纲特征参数均差时序值与均差阈值进行比较，如大于均差阈值，则代表单体电池已经离群，具有热失控风险，获取其中的离群电池编号，并组成无量纲特征数组
Figure 27828DEST_PATH_IMAGE075
；
其中，
Figure 910333DEST_PATH_IMAGE076
代表通过无量纲特征参数获得的离群单体电池总数；
Figure 75866DEST_PATH_IMAGE077
代表通过无量纲特征参数获得的离群单体电池编号。
9.如权利要求8所述的基于安全特征参量表征体系的电站热失控预警方法，其特征在于，
根据计算得到的相关系数数组
Figure 18415DEST_PATH_IMAGE048
，信息熵数组
Figure 456349DEST_PATH_IMAGE078
，无量纲特征数组
Figure 939283DEST_PATH_IMAGE079
，通过取并集的方法，筛选出三个数组都具有的离群电池编号，作为具有热失控风险的单体电压进行热失控预警。
10.基于安全特征参量表征体系的电站热失控预警系统，其特征在于，
应用如权利要求1-9任一所述的基于安全特征参量表征体系的电站热失控预警方法；其包括电压数据采集模块、预处理及提取模块、安全特征参量表征体系模块、取并集模块、预警模块；
电压数据采集模块，用于采集运行工况中的电池电压数据；
预处理及提取模块，用于电压数据的清洗以及对单体电池电压时序动态模式分量的提取；
安全特征参量表征体系模块，用于根据实际运行工况中的单体电压数据，计算安全特征参量数值，其设有相关系数计算单元、信息熵计算单元以及无量纲特征参数计算单元；
取并集模块，用于根据安全特征参量数值，通过取并集的方法判定离群电池编号；
预警模块，用于对储能电池系统的热失控风险进行预警。
CN202210463491.8A 2022-04-29 2022-04-29 基于安全特征参量表征体系的电站热失控预警方法及系统 Active CN114583301B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210463491.8A CN114583301B (zh) 2022-04-29 2022-04-29 基于安全特征参量表征体系的电站热失控预警方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210463491.8A CN114583301B (zh) 2022-04-29 2022-04-29 基于安全特征参量表征体系的电站热失控预警方法及系统

Publications (2)

Publication Number Publication Date
CN114583301A true CN114583301A (zh) 2022-06-03
CN114583301B CN114583301B (zh) 2022-08-23

Family

ID=81778422

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210463491.8A Active CN114583301B (zh) 2022-04-29 2022-04-29 基于安全特征参量表征体系的电站热失控预警方法及系统

Country Status (1)

Country Link
CN (1) CN114583301B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114824537A (zh) * 2022-06-30 2022-07-29 深圳市明泰源科技有限公司 一种基于信息融合的磷酸铁锂电池热失控监测系统
CN115208493A (zh) * 2022-06-22 2022-10-18 上海伽易信息技术有限公司 一种基于手持终端的地铁cbtc信号检测方法、系统及装置
CN115951231A (zh) * 2023-03-14 2023-04-11 长安大学 基于单体电池电压相关性的汽车动力电池故障预警方法
CN116840683A (zh) * 2023-04-14 2023-10-03 中国长江三峡集团有限公司 电池故障识别方法、装置、电子设备和存储介质
EP4311719A1 (en) * 2022-07-27 2024-01-31 Zhejiang Zeekr Intelligent Technology Co., Ltd. Vehicle thermal runaway warning method, device, electronic equipment and readable storage medium
CN118093569A (zh) * 2024-04-29 2024-05-28 山东泰开互感器有限公司 一种油浸式电力设备监测方法、系统、终端及存储介质
CN118446843A (zh) * 2024-05-20 2024-08-06 国网青海省电力公司信息通信公司 基于数据深度融合的电网作业安全感知方法及装置

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100045240A1 (en) * 2007-02-13 2010-02-25 Koninklijke Philips Electronics N.V. Method and apparatus for determination of the state-of-charge (soc) of a rechargeable battery
CN106066457A (zh) * 2016-05-25 2016-11-02 烟台创为新能源科技有限公司 一种电池热失控检测系统及其检测方法
US20170294689A1 (en) * 2014-06-24 2017-10-12 Kabushiki Kaisha Toshiba Battery-system-deterioration control device, and method thereof
CN108508370A (zh) * 2018-04-04 2018-09-07 重庆大学 一种基于温度校正的开路电压-安时积分soc估计方法
CN110568360A (zh) * 2019-09-12 2019-12-13 华中科技大学 一种基于模糊逻辑算法的锂电池老化诊断方法
CN110827169A (zh) * 2019-10-30 2020-02-21 云南电网有限责任公司信息中心 一种基于分级指标的分布式电网业务监控方法
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
US20200274207A1 (en) * 2019-02-21 2020-08-27 Datang Nxp Semiconductors Co., Ltd. Accurate battery temperature measurement by compensating self heating
JP2020184516A (ja) * 2019-04-26 2020-11-12 パナソニックＩｐマネジメント株式会社 電池の安全性推定装置および電池の安全性推定方法
CN111983473A (zh) * 2020-08-24 2020-11-24 哈尔滨理工大学 一种基于支持向量机的锂离子动力电池安全度评估方法及装置
CN112394291A (zh) * 2020-11-05 2021-02-23 广州汽车集团股份有限公司 一种电池热失控预警方法及装置
CN112526369A (zh) * 2019-09-18 2021-03-19 广州极飞科技有限公司 基于电压值对电量的计量方法、电量确定方法及其装置
CN112526376A (zh) * 2020-12-01 2021-03-19 江西江铃集团新能源汽车有限公司 汽车电池单体异常预估方法及装置
CN113671391A (zh) * 2021-06-28 2021-11-19 国联汽车动力电池研究院有限责任公司 一种用于锂离子电池微/短路信号识别预警的检测方法
US20220034973A1 (en) * 2018-09-27 2022-02-03 Institut Polytechnique De Grenoble Method and device for measuring, in real time and in situ, thermodynamic data of a battery (enthalpy and entropy)
CN114069078A (zh) * 2020-07-30 2022-02-18 哲弗智能系统（上海）有限公司 锂电池热失控预警系统及锂电池系统
CN114361617A (zh) * 2021-12-31 2022-04-15 重庆长安新能源汽车科技有限公司 一种动力电池热失控风险预警方法及预警系统

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100045240A1 (en) * 2007-02-13 2010-02-25 Koninklijke Philips Electronics N.V. Method and apparatus for determination of the state-of-charge (soc) of a rechargeable battery
US20170294689A1 (en) * 2014-06-24 2017-10-12 Kabushiki Kaisha Toshiba Battery-system-deterioration control device, and method thereof
CN106066457A (zh) * 2016-05-25 2016-11-02 烟台创为新能源科技有限公司 一种电池热失控检测系统及其检测方法
CN108508370A (zh) * 2018-04-04 2018-09-07 重庆大学 一种基于温度校正的开路电压-安时积分soc估计方法
US20220034973A1 (en) * 2018-09-27 2022-02-03 Institut Polytechnique De Grenoble Method and device for measuring, in real time and in situ, thermodynamic data of a battery (enthalpy and entropy)
US20200274207A1 (en) * 2019-02-21 2020-08-27 Datang Nxp Semiconductors Co., Ltd. Accurate battery temperature measurement by compensating self heating
JP2020184516A (ja) * 2019-04-26 2020-11-12 パナソニックＩｐマネジメント株式会社 電池の安全性推定装置および電池の安全性推定方法
CN110568360A (zh) * 2019-09-12 2019-12-13 华中科技大学 一种基于模糊逻辑算法的锂电池老化诊断方法
CN112526369A (zh) * 2019-09-18 2021-03-19 广州极飞科技有限公司 基于电压值对电量的计量方法、电量确定方法及其装置
CN110827169A (zh) * 2019-10-30 2020-02-21 云南电网有限责任公司信息中心 一种基于分级指标的分布式电网业务监控方法
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
CN114069078A (zh) * 2020-07-30 2022-02-18 哲弗智能系统（上海）有限公司 锂电池热失控预警系统及锂电池系统
CN111983473A (zh) * 2020-08-24 2020-11-24 哈尔滨理工大学 一种基于支持向量机的锂离子动力电池安全度评估方法及装置
CN112394291A (zh) * 2020-11-05 2021-02-23 广州汽车集团股份有限公司 一种电池热失控预警方法及装置
CN112526376A (zh) * 2020-12-01 2021-03-19 江西江铃集团新能源汽车有限公司 汽车电池单体异常预估方法及装置
CN113671391A (zh) * 2021-06-28 2021-11-19 国联汽车动力电池研究院有限责任公司 一种用于锂离子电池微/短路信号识别预警的检测方法
CN114361617A (zh) * 2021-12-31 2022-04-15 重庆长安新能源汽车科技有限公司 一种动力电池热失控风险预警方法及预警系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
朱晓庆等: ""锂离子动力电池热失控与安全管理研究综述"", 《机械工程学报》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115208493A (zh) * 2022-06-22 2022-10-18 上海伽易信息技术有限公司 一种基于手持终端的地铁cbtc信号检测方法、系统及装置
CN115208493B (zh) * 2022-06-22 2023-10-27 上海伽易信息技术有限公司 一种基于手持终端的地铁cbtc信号检测方法、系统及装置
CN114824537A (zh) * 2022-06-30 2022-07-29 深圳市明泰源科技有限公司 一种基于信息融合的磷酸铁锂电池热失控监测系统
CN114824537B (zh) * 2022-06-30 2022-09-13 深圳市明泰源科技有限公司 一种基于信息融合的磷酸铁锂电池热失控监测系统
EP4311719A1 (en) * 2022-07-27 2024-01-31 Zhejiang Zeekr Intelligent Technology Co., Ltd. Vehicle thermal runaway warning method, device, electronic equipment and readable storage medium
CN115951231A (zh) * 2023-03-14 2023-04-11 长安大学 基于单体电池电压相关性的汽车动力电池故障预警方法
CN116840683A (zh) * 2023-04-14 2023-10-03 中国长江三峡集团有限公司 电池故障识别方法、装置、电子设备和存储介质
CN118093569A (zh) * 2024-04-29 2024-05-28 山东泰开互感器有限公司 一种油浸式电力设备监测方法、系统、终端及存储介质
CN118446843A (zh) * 2024-05-20 2024-08-06 国网青海省电力公司信息通信公司 基于数据深度融合的电网作业安全感知方法及装置

Also Published As

Publication number Publication date
CN114583301B (zh) 2022-08-23

Similar Documents

Publication Publication Date Title
CN114583301B (zh) 基于安全特征参量表征体系的电站热失控预警方法及系统
CN110068774B (zh) 锂电池健康状态的估计方法、装置及存储介质
Yao et al. A novel intelligent method for fault diagnosis of electric vehicle battery system based on wavelet neural network
CN113447828B (zh) 一种基于贝叶斯神经网络的锂电池温度估计方法及系统
CN110277833B (zh) 变电站压板状态识别的方法及终端设备
CN111426955A (zh) 一种锂离子电池故障诊断方法
CN113917334B (zh) 基于进化lstm自编码器的电池健康状态估计方法
Zhang et al. Fault diagnosis of real-scenario battery systems based on modified entropy algorithms in electric vehicles
CN107153409A (zh) 一种基于缺失变量建模思路的非高斯过程监测方法
CN113030761B (zh) 一种超大规模储能电站电池健康状态的评估方法及系统
CN114036647A (zh) 一种基于实车数据的动力电池安全风险评估方法
CN110516813A (zh) 一种基于大数据机器学习进行电动汽车电池rdr预测的方法
CN116400244B (zh) 储能电池的异常检测方法及装置
CN116990689A (zh) 多特征关联分析的智能锂电充电宝内短路状态评估方法
CN115586444A (zh) 一种基于vmd与bp神经网络的锂电池剩余寿命预测方法
CN115600728A (zh) 一种动力电池的年度碳排放量估算方法及装置
CN117291046A (zh) 一种基于大数据动力电池bms可靠测试管理方法及系统
CN117113232A (zh) 一种电动汽车锂离子电池组热失控风险识别方法
Yang et al. Multi-fault diagnosis for battery pack based on adaptive correlation sequence and sparse classification model
CN113466713B (zh) 一种基于随机森林的锂电池安全度估算方法及装置
CN104499001B (zh) 基于特征子空间优化相对矩阵的铝电解槽况诊断方法
CN115329277A (zh) 一种退运动力镍氢电池的soh预测方法
Xiao et al. State of health estimation framework of li-on battery based on improved Gaussian process regression for real car data
CN113627539A (zh) 滚动轴承复合故障诊断方法、系统、存储介质及计算设备
CN118311464A (zh) 一种电池健康状态估计方法及系统

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