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

CN112287979B - 一种基于互信息的储能电池状态判定方法 - Google Patents

一种基于互信息的储能电池状态判定方法 Download PDF

Info

Publication number
CN112287979B
CN112287979B CN202011094205.2A CN202011094205A CN112287979B CN 112287979 B CN112287979 B CN 112287979B CN 202011094205 A CN202011094205 A CN 202011094205A CN 112287979 B CN112287979 B CN 112287979B
Authority
CN
China
Prior art keywords
energy storage
storage battery
judging
subset
mutual information
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.)
Active
Application number
CN202011094205.2A
Other languages
English (en)
Other versions
CN112287979A (zh
Inventor
马速良
李建林
余峰
刘硕
龚寒
谭宇良
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.)
Beijing Lianzhi Huineng Technology Co ltd
Xinyuan Zhichu Energy Development Beijing Co ltd
North China University of Technology
Jiangsu Higee Energy Co Ltd
Original Assignee
Beijing Lianzhi Huineng Technology Co ltd
Xinyuan Zhichu Energy Development Beijing Co ltd
North China University of Technology
Jiangsu Higee Energy 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 Beijing Lianzhi Huineng Technology Co ltd, Xinyuan Zhichu Energy Development Beijing Co ltd, North China University of Technology, Jiangsu Higee Energy Co Ltd filed Critical Beijing Lianzhi Huineng Technology Co ltd
Priority to CN202011094205.2A priority Critical patent/CN112287979B/zh
Publication of CN112287979A publication Critical patent/CN112287979A/zh
Application granted granted Critical
Publication of CN112287979B publication Critical patent/CN112287979B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F18/24—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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明涉及一种基于互信息的储能电池状态判定方法，该方法统计历史S种类别的运行端电压数据并进行一阶差分处理，标注每个数据所代表的运行状态类别Ls,形成数据样本集合A；对数据样本集合A随机抽样，形成子集Br，且子集Br中样本互斥；计算待检测储能电池端电压一阶差分信号与各个子集Br中每个样本之间的互信息，并从大到小依次累加，直至累计结果与互信息值和的比值大于等于设定阈值；接着，计算子集Br的判定证据；最后，求各子集产生判定证据向量的平均值，形成最终判定证据向量，并判断待检测储能电池的运行状态类型。本发明可以简单、快速、及时地判断储能电池运行状态情况，实现储能电池运行状态的智能化、自动化评估与管理。

Description

一种基于互信息的储能电池状态判定方法
技术领域：
本发明涉及储能电池技术领域，具体涉及一种基于互信息的储能电池状态判定方法。
背景技术：
储能电池可以为电网运行提供调峰、调频、备用、黑启动等多种辅助服务，可以提高清洁能源的消纳水平和在电网中的渗透率，提升电网运行品质。而随着储能电池在电网中应用和推广规模增加，储能电池长期服役过程潜在的隐患可能导致电力系统的安全问题。同时，随着电动汽车的大规模应用，动力电池退役后的梯次化利用以及筛选归类也成为了研究的热点问题。因此，评估储能电池的运行状态、筛选判定储能电池所处的运行类型，对于提高储能电池的安全性以及深层次地合理利用是至关重要的。
在人工智能快速发展的大背景下，面向储能电池运行状态的智能化检测服务获得了高速发展和阶段性实现，开展储能电池运行状态诊断方法与模式的研究成为重点课题。目前，基于储能电池长期大量数据样本下的数据挖掘和模式识别方法成为储能电池状态判定辨识的主要手段，数据清洗和预处理、特征提取与选择、诊断模型设计以及优化成为了基于数据驱动储能电池运行状态诊断方案应用的标准过程。其中，特征提取与选择往往需要大量的人为经验或是基于大量数据样本下的深度学习过程实现，人为主观性强或者计算量大；而诊断模型设计大都表现为优化后的单一强化模型，对于奇异样本或是噪声较为敏感，易出现过拟合或欠拟合问题，且模型参数优化过程往往需要额外数据进行评估验证。
发明内容：
为了简化储能电池状态评估过程，降低人为因素影响，加强对待检测储能电池可能运行状态的完全性描述以及提高对待检测储能电池可能运行状态辨识技术的鲁棒性，本发明提出一种基于互信息的储能电池状态判定方法。本发明采用的技术方案为：
一种基于互信息的储能电池状态判定方法，包括下述步骤：
步骤1：对历史不同运行状态的储能电池端电压预处理；具体如下：
步骤1.1：利用测量设备采集m个储能电池在一次充放电测试过程中的端电压信号，m个储能电池的分为“正常”和“故障”两种，而故障的类型又分为S-1中具体类别，因此，m个储能电池包含S种类别，并标注每个信号的类别Ls,s＝1,2,…,S；
步骤1.2：对m个历史端电压数据进行一阶差分预处理，结合储能电池的运行状态类别Ls,形成数据样本集合A，设置抽取样本子集数量R、子集容量Q、比较阈值δ，并令r＝1；
步骤2：生成储能电池状态判定证据；对数据样本集合A随机抽样，形成容量为Q的子集Br，r＝1,2,…,R，并且抽样过程保证子集Br中样本互斥；
步骤3：利用测量设备采集待检测储能电池在一次充放电测试过程中的端电压信号，计算端电压一阶差分，定义其由随机变量Y表示，令j＝1；
步骤4：计算待检测储能电池与子集Br中每个样本间的互信息；假设待检测储能电池端电压一阶差分数据所代表随机变量Y、子集Br中第j个的样本所代表随机变量为
Figure BDA0002723143610000021
和p(y)表示随机变量/>
Figure BDA0002723143610000022
和Y的边缘概率分布函数，/>
Figure BDA0002723143610000023
表示随机变量/>
Figure BDA0002723143610000024
和Y的联合概率分布函数，则其互信息计算公式为：
Figure BDA0002723143610000025
步骤5：判断j是否大于或等于Q，若是则进入步骤6，若否则j＝j+1并返回步骤4；
步骤6：计算所得互信息值的和
Figure BDA0002723143610000026
并对互信息值从大到小依次累加，直至累计结果与互信息值和的比值大于或等于设定阈值δ；
步骤7：统计子集Br中历史储能电池样本所对应不同类别的数量
Figure BDA0002723143610000031
以及参与累加过程样本所对应不同类别出现的频数/>
Figure BDA0002723143610000032
计算出该子集的判定证据向量为：
Figure BDA0002723143610000033
步骤8：形成融合的最终储能电池状态判定结果；判断子集Br个数达到设定值，即r是否小于R，若是，则令r＝r+1并返回步骤2继续产生判定证据向量，若不是，则计算R个差异子集产生判定证据向量的平均值，形成最终判定证据向量，根据最终判定证据向量中的数值情况判断待检测储能电池的运行状态类型，返回最终判定证据向量中最大值所代表储能电池正常或故障类型为最终判定结果，完成待检测储能电池运行状态的判定过程。
优选方案一：所述步骤4中表示随机变量
Figure BDA0002723143610000034
和Y的边缘概率分布函数/>
Figure BDA0002723143610000035
和p(y)的分布计算过程如下：
步骤4.1：取检测电池端电压一阶差分信号的最大值ymax和最小值ymin，并在[ymin,ymax]内等分区间N份；
步骤4.2：计待检测储能电池端电压一阶差分信号各点落在不同区间的频数，并除以待检测储能电池端电压一阶差分信号的数据总数，获得各区间发生的概率，记为随机变量Y的边缘概率分布p(y)。
进一步，所述步骤4中随机变量
Figure BDA0002723143610000036
和Y的联合概率分布函数/>
Figure BDA0002723143610000037
的计算方法如下：获取电池端电压一阶差分信号和子集Br中第j个样本同一时刻发生在边缘概率分布函数所划分区间的频数，并除以待检测储能电池端电压一阶差分信号的数据总数，获得各区间发生的概率，记为随机变量Y和/>
Figure BDA0002723143610000038
的联合概率分布/>
Figure BDA0002723143610000039
优选方案二：所述步骤6的具体步骤包括：
步骤6.1：计算所得互信息值的和
Figure BDA0002723143610000041
令j＝1且MidInfo＝0；
步骤6.2：从大到小排序互信息值
Figure BDA0002723143610000042
并依次累加互信息值，即/>
Figure BDA0002723143610000043
直至累加结果与互信息值和的比值MidInfo/SI(r)≥δ，记录子集Br中参与累加过程的历史储能电池的类型。
优选方案三：所述步骤8的具体步骤包括：
步骤8.1：判断子集Br个数是否达到设定值，即r是否小于R，若是，则令r＝r+1并返回步骤2继续产生判定证据向量Evi(r)，若不是，则进入步骤8.2；
步骤8.2：计算R个差异子集产生判定证据向量的平均值
Figure BDA0002723143610000044
形成最终判定证据向量Evi＝[η1,η2,...,ηS]，其中/>
Figure BDA0002723143610000045
步骤8.3：根据最终判定证据向量中η1,η2,...,ηS的数值情况判断待检测储能电池的运行状态类型，返回最终判定证据向量中最大值所代表储能电池正常或故障类型为最终判定结果Ls＝arg(max(Evi))，arg(·)表示返回最大值所代表储能电池类型的函数，完成待检测储能电池运行状态的判定过程。
与最接近的现有技术相比，本发明的优异效果是：
(一)本发明技术方案中，直接计算待检测储能电池电压一阶差分与历史记录的多个储能电池电压一阶差分数据的互信息，根据从大到小排序、依次累计分析待测储能电池与历史记录的不同状态储能电池的相似性，进而用以形成待检测储能电池状态判定。相比于传统机器学习方法过程中需要人为特征提取过程，本发明基于不同储能电池电压的互信息计算无需特征提取过程，有利于人为主观因素影响，提高方法的适用性。
(二)本发明技术方案中，在计算排序待检测储能电池与历史记录下不同运行状态储能互信息基础上，统计子集样本和被筛选结果中历史记录储能电池正常和不同故障的比重，形成诊断证据。相比于只输出最多样本类别的简单方法，本发明充分考虑了各子集样本和被筛选结果中历史记录储能电池的组成情况，较完整、准确地反映了待检测电池可能运行状态的描述，有助于更全面准确地判断待检测储能电池的运行状况。
(三)本发明技术方案中，利用随机生成多个数据子集产生了若干个差异化的诊断证据方式，丰富了待检测储能电池诊断证据的多样。相比于单一诊断证据，本发明利用集成过程和计算平均值方法有利于缓解奇异样本和噪声的影响，提高诊断结果的鲁棒性。
附图说明：
图1是本发明的储能电池状态判定方法流程图。
图2是本发明步骤2-步骤7基于互信息的储能电池状态判定方法原理示意图。
具体实施方式：
实施例：
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。
一种基于互信息的储能电池状态判定方法包括下述步骤：
步骤1：对历史不同运行状态的储能电池端电压预处理；
步骤1.1：利用测量设备采集m个储能电池在一次充放电测试过程中的端电压信号，m个储能电池的分为“正常”和“故障”两种，而故障的类型又分为S-1中具体类别，因此，m个储能电池包含S种类别，并标注每个信号的类别Ls,s＝1,2,…,S；
步骤1.2：对m个历史端电压数据进行一阶差分预处理，结合储能电池的运行状态类别Ls,形成数据样本集合A，设置抽取样本子集数量R、子集容量Q、比较阈值δ，并令r＝1；
步骤2：生成储能电池状态判定证据；对数据样本集合A随机抽样，形成容量为Q的子集Br，(r＝1,2,…,R)，并且抽样过程保证子集Br中样本互斥；
步骤3：利用测量设备采集待检测储能电池在一次充放电测试过程中的端电压信号，计算端电压一阶差分，定义其由随机变量Y表示，令j＝1；
步骤4：定义子集Br中第j个的样本由随机变量
Figure BDA0002723143610000061
表示，计算随机变量Y和/>
Figure BDA0002723143610000062
的边缘概率分布/>
Figure BDA0002723143610000063
和p(y)；待检测储能电池端电压一阶差分信号代表随机变量Y，随机变量/>
Figure BDA0002723143610000064
和Y的边缘概率分布函数/>
Figure BDA0002723143610000065
和p(y)的分布计算过程如下：
步骤4.1：取检测电池端电压一阶差分信号的最大值ymax和最小值ymin，并在[ymin,ymax]内等分区间N份；
步骤4.2：计待检测储能电池端电压一阶差分信号各点落在不同区间的频数，并除以待检测储能电池端电压一阶差分信号的数据总数，获得各区间发生的概率，记为随机变量Y的边缘概率分布p(y)；
步骤4.3：随机变量
Figure BDA0002723143610000066
和Y的联合概率分布函数/>
Figure BDA0002723143610000067
的计算方法如下：获取电池端电压一阶差分信号和子集Br中第j个样本同一时刻发生在边缘概率分布函数所划分区间的频数，并除以待检测储能电池端电压一阶差分信号的数据总数，获得各区间发生的概率，记为随机变量Y和/>
Figure BDA0002723143610000068
的联合概率分布/>
Figure BDA0002723143610000069
待检测储能电池端电压一阶差分信号与子集Br中第j个的样本的互信息为：
Figure BDA00027231436100000610
步骤5：判断j是否大于或等于Q，若是则进入步骤6，若否则j＝j+1并返回步骤4；
步骤6：基于互信息筛选出子集Br中与待测储能电池运行特性类似的储能电池样本；具体包括如下步骤：
步骤6.1：计算所得互信息值的和
Figure BDA0002723143610000071
令j＝1且MidInfo＝0；
步骤6.2：从大到小排序互信息值
Figure BDA0002723143610000072
并依次累加互信息值，即/>
Figure BDA0002723143610000073
直至累加结果与互信息值和的比值MidInfo/SI(r)≥δ，记录子集Br中参与累加过程的历史储能电池的类型；
步骤7：统计子集Br中历史储能电池样本所对应不同类别的数量
Figure BDA0002723143610000074
以及参与累加过程样本所对应不同类别出现的频数/>
Figure BDA0002723143610000075
计算出该子集的判定证据向量/>
Figure BDA0002723143610000076
为：
Figure BDA0002723143610000077
步骤8：形成融合的最终储能电池状态判定结果；包括如下具体步骤：
步骤8.1判断子集Br个数达到设定值(即r是否小于R)，若是，则令r＝r+1并返回步骤2继续产生判定证据向量Evi(r)，若不是，则进入步骤3.2；
步骤8.2计算R个差异子集产生判定证据向量的平均值
Figure BDA0002723143610000078
形成最终判定证据向量Evi＝[η1,η2,...,ηS]，其中/>
Figure BDA0002723143610000079
根据最终判定证据向量中η1,η2,...,ηS的数值情况判断待检测储能电池的运行状态类型，返回最终判定证据向量中最大值所代表储能电池正常或故障类型为最终判定结果Ls＝arg(max(Evi))，arg(·)表示返回最大值所代表储能电池类型的函数，完成待检测储能电池运行状态的判定过程。
最后应当说明的是：所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

Claims (5)

1.一种基于互信息的储能电池状态判定方法，其特征在于，包括下述步骤：
步骤1：对历史不同运行状态的以及待检测的储能电池端电压预处理；具体如下：
步骤1.1：利用测量设备采集m个储能电池在一次充放电测试过程中的端电压信号，m个储能电池的分为“正常”和“故障”两种，而故障的类型又分为S-1种具体类别，因此，m个储能电池包含S种类别，并标注每个信号的类别Ls,s＝1,2,…,S；
步骤1.2：对m个历史端电压数据进行一阶差分，预处理，结合储能电池的运行状态类别Ls,形成数据样本集合A，设置抽取样本子集数量R、子集容量Q、比较阈值δ，并令r＝1；
步骤2：生成储能电池状态判定证据；对数据样本集合A随机抽样，形成容量为Q的子集Br，r＝1,2,…,R，并且抽样过程保证子集Br中样本互斥；
步骤3：利用测量设备采集待检测储能电池在一次充放电测试过程中的端电压信号，计算端电压一阶差分，定义其由随机变量Y表示，令j＝1；
步骤4：计算待检测储能电池与子集Br中每个样本间的互信息；假设待检测储能电池端电压一阶差分数据所代表随机变量Y、子集Br中第j个的样本所代表随机变量为
Figure FDA0004188151910000011
Figure FDA0004188151910000012
和p(y)表示随机变量/>
Figure FDA0004188151910000013
和Y的边缘概率分布函数，/>
Figure FDA0004188151910000014
表示随机变量/>
Figure FDA0004188151910000015
和Y的联合概率分布函数，则其互信息计算公式为：
Figure FDA0004188151910000016
步骤5：判断j是否大于或等于Q，若是则进入步骤6，若否则j＝j+1并返回步骤4；
步骤6：计算所得互信息值的和
Figure FDA0004188151910000021
并对互信息值从大到小依次累加，直至累计结果与互信息值和的比值大于或等于设定阈值δ；
步骤7：统计子集Br中历史储能电池样本所对应不同类别的数量
Figure FDA0004188151910000022
以及参与累加过程样本所对应不同类别出现的频数/>
Figure FDA0004188151910000023
计算出该子集的判定证据向量为：
Figure FDA0004188151910000024
步骤8：形成融合的最终储能电池状态判定结果；判断子集Br个数达到设定值，即r是否小于R，若是，则令r＝r+1并返回步骤2继续产生判定证据向量，若不是，则计算R个差异子集产生判定证据向量的平均值，形成最终判定证据向量，根据最终判定证据向量中的数值情况判断待检测储能电池的运行状态类型，返回最终判定证据向量中最大值所代表储能电池正常或故障类型为最终判定结果，完成待检测储能电池运行状态的判定过程。
2.根据权利要求1所述一种基于互信息的储能电池状态判定方法，其特征在于，所述步骤4中表示随机变量
Figure FDA0004188151910000025
和Y的边缘概率分布函数/>
Figure FDA0004188151910000026
和p(y)的分布计算过程如下：
步骤4.1：取检测电池端电压一阶差分信号的最大值ymax和最小值ymin，并在[ymin,ymax]内等分区间N份；
步骤4.2：计待检测储能电池端电压一阶差分信号各点落在不同区间的频数，并除以待检测储能电池端电压一阶差分信号的数据总数，获得各区间发生的概率，记为随机变量Y的边缘概率分布p(y)。
3.据权利要求2述一种基于互信息的储能电池状态判定方法，其特征在于，所述步骤4中随机变量
Figure FDA0004188151910000027
和Y的联合概率分布函数/>
Figure FDA0004188151910000028
的计算方法如下：获取电池端电压一阶差分信号和子集Br中第j个样本同一时刻发生在边缘概率分布函数所划分区间的频数，并除以待检测储能电池端电压一阶差分信号的数据总数，获得各区间发生的概率，记为随机变量Y和/>
Figure FDA0004188151910000031
的联合概率分布/>
Figure FDA0004188151910000032
4.根据权利要求1所述一种基于互信息的储能电池状态判定方法，其特征在于，所述步骤6的具体步骤包括：
步骤6.1：计算所得互信息值的和
Figure FDA0004188151910000033
令j＝1且MidInfo＝0；
步骤6.2：从大到小排序互信息值
Figure FDA0004188151910000034
并依次累加互信息值，即/>
Figure FDA0004188151910000035
直至累加结果与互信息值和的比值MidInfo/SI(r)≥δ，记录子集Br中参与累加过程的历史储能电池的类型。
5.根据权利要求1所述一种基于互信息的储能电池状态判定方法，其特征在于，所述步骤8的具体步骤包括：
步骤8.1：判断子集Br个数是否达到设定值，即r是否小于R，若是，则令r＝r+1并返回步骤2继续产生判定证据向量Evi(r)，若不是，则进入步骤8.2；
步骤8.2：计算R个差异子集产生判定证据向量的平均值
Figure FDA0004188151910000036
形成最终判定证据向量Evi＝[η1,η2,...,ηS]，其中/>
Figure FDA0004188151910000037
步骤8.3：根据最终判定证据向量中η1,η2,...,ηS的数值情况判断待检测储能电池的运行状态类型，返回最终判定证据向量中最大值所代表储能电池正常或故障类型为最终判定结果Ls＝arg(max(Evi))，arg(·)表示返回最大值所代表储能电池类型的函数，完成待检测储能电池运行状态的判定过程。
CN202011094205.2A 2020-10-14 2020-10-14 一种基于互信息的储能电池状态判定方法 Active CN112287979B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011094205.2A CN112287979B (zh) 2020-10-14 2020-10-14 一种基于互信息的储能电池状态判定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011094205.2A CN112287979B (zh) 2020-10-14 2020-10-14 一种基于互信息的储能电池状态判定方法

Publications (2)

Publication Number Publication Date
CN112287979A CN112287979A (zh) 2021-01-29
CN112287979B true CN112287979B (zh) 2023-05-23

Family

ID=74497039

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011094205.2A Active CN112287979B (zh) 2020-10-14 2020-10-14 一种基于互信息的储能电池状态判定方法

Country Status (1)

Country Link
CN (1) CN112287979B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113376534B (zh) * 2021-05-12 2022-04-05 山东大学 动力电池早期故障相平面诊断方法及超前预警系统
CN116628564B (zh) * 2023-04-20 2024-03-12 上海宇佑船舶科技有限公司 用于检测发电机状态的模型训练方法和系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104021238A (zh) * 2014-03-25 2014-09-03 重庆邮电大学 一种铅酸动力电池系统故障诊断方法
CN106033114A (zh) * 2015-03-19 2016-10-19 国家电网公司 一种储能电池健康状态评估方法
CN106154182A (zh) * 2016-08-26 2016-11-23 上海电力学院 一种基于改进d‑s证据理论的锂电池故障诊断方法
CN108548988A (zh) * 2018-03-27 2018-09-18 南瑞集团有限公司 基于互信息改进决策树的线路故障预测方法
WO2019048803A1 (fr) * 2017-09-11 2019-03-14 Institut Francais Des Sciences Et Technologies Des Transports, De L'amenagement Et Des Reseaux Méthode de détermination du régime de fonctionnement d'un système, méthode de configuration d'un classifieur servant a identifier un tel régime, et dispositif de détermination d'un tel régime
WO2019109944A1 (zh) * 2017-12-08 2019-06-13 比亚迪股份有限公司 储能系统中储能电池参数存储、读取方法、装置及设备
CN110412467A (zh) * 2019-07-30 2019-11-05 重庆邮电大学 一种归一化互信息准则约束的锂电池故障数据筛选方法
CN111007399A (zh) * 2019-11-15 2020-04-14 浙江大学 基于改进生成对抗网络的锂电池荷电状态预测方法
CN111652348A (zh) * 2020-02-29 2020-09-11 上海电力大学 一种基于改进cnn的动力电池组故障融合诊断方法及系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104021238A (zh) * 2014-03-25 2014-09-03 重庆邮电大学 一种铅酸动力电池系统故障诊断方法
CN106033114A (zh) * 2015-03-19 2016-10-19 国家电网公司 一种储能电池健康状态评估方法
CN106154182A (zh) * 2016-08-26 2016-11-23 上海电力学院 一种基于改进d‑s证据理论的锂电池故障诊断方法
WO2019048803A1 (fr) * 2017-09-11 2019-03-14 Institut Francais Des Sciences Et Technologies Des Transports, De L'amenagement Et Des Reseaux Méthode de détermination du régime de fonctionnement d'un système, méthode de configuration d'un classifieur servant a identifier un tel régime, et dispositif de détermination d'un tel régime
WO2019109944A1 (zh) * 2017-12-08 2019-06-13 比亚迪股份有限公司 储能系统中储能电池参数存储、读取方法、装置及设备
CN108548988A (zh) * 2018-03-27 2018-09-18 南瑞集团有限公司 基于互信息改进决策树的线路故障预测方法
CN110412467A (zh) * 2019-07-30 2019-11-05 重庆邮电大学 一种归一化互信息准则约束的锂电池故障数据筛选方法
CN111007399A (zh) * 2019-11-15 2020-04-14 浙江大学 基于改进生成对抗网络的锂电池荷电状态预测方法
CN111652348A (zh) * 2020-02-29 2020-09-11 上海电力大学 一种基于改进cnn的动力电池组故障融合诊断方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Giulio Giaconi等.Smart Meter Privacy With Renewable Energy and an Energy Storage Device.《IEEE TRANSACTIONS ON INFORMATION FORENSICS AND SECURITY》.2018,第13卷(第1期),129-142. *
Jianlin Li等.Electrochemical Energy Storage Technology and Its Application Analysis.《2021 IEEE 5th Conference on Energy Internet and Energy System Integration(EI2)》.2022,3764-3767. *
孙豪豪.储能电池状态估计策略研究.《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》.2018,(第（2018）02期),C042-1299. *

Also Published As

Publication number Publication date
CN112287979A (zh) 2021-01-29

Similar Documents

Publication Publication Date Title
CN109389180A (zh) 一款基于深度学习的电力设备图像识别方法及巡查机器人
CN110108992B (zh) 基于改进随机森林算法的电缆局放故障识别方法、系统
CN112327189B (zh) 一种基于knn算法的储能电池健康状态综合判断方法
CN113962259B (zh) 一种燃料电池系统多模式双层故障诊断方法
CN112287979B (zh) 一种基于互信息的储能电池状态判定方法
CN108802535B (zh) 筛选方法、主干扰源识别方法及装置、服务器及存储介质
CN110596506A (zh) 基于时间卷积网络的变换器故障诊断方法
CN112904219A (zh) 一种基于大数据的动力电池健康状态的预测方法
CN112305441B (zh) 一种集成式聚类下的动力电池健康状态评估方法
CN115792681A (zh) 一种基于车联网大数据平台的单体电池一致性检测算法
CN112836720A (zh) 建筑运维设备异常诊断方法、系统及计算机可读存储介质
CN114545234A (zh) 一种基于电池温度梯度变化监测电池状态的方法
CN112287980B (zh) 基于典型特征向量的动力电池筛选方法
CN115098962A (zh) 一种基于隐半马尔夫模型的机械设备退化态下剩余寿命的预测方法
CN116298934A (zh) 一种用于锂电池健康状态估算的预测网络的建模方法
CN117272783A (zh) 一种基于云边协同多模型融合的动力电池寿命预测方法
CN113010985A (zh) 一种基于并行aann的非侵入式负荷识别方法
CN118151034B (zh) 一种高精度的电池内阻检测方法及系统
CN106646106B (zh) 基于变点探测技术的电网故障检测方法
CN116754979A (zh) 一种新能源汽车动力电池健康状态检测方法、系统及设备
CN111537889B (zh) 一种数据驱动的梯次电池rul预测与分类方法
CN115545240A (zh) 一种低压配电网台区异常线损诊断方法、系统、设备及介质
CN116125289A (zh) 基于局部电压片段和集成学习的锂电池健康状态估计方法
CN112014821A (zh) 一种基于雷达宽带特征的未知车辆目标识别方法
CN118294786B (zh) 基于人工智能的芯片检测方法及系统

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20220506

Address after: 100144 Beijing City, Shijingshan District Jin Yuan Zhuang Road No. 5

Applicant after: NORTH CHINA University OF TECHNOLOGY

Applicant after: Beijing Lianzhi Huineng Technology Co.,Ltd.

Applicant after: JIANGSU HIGEE NEW ENERGY CO.,LTD.

Applicant after: Xinyuan Zhichu energy development (Beijing) Co.,Ltd.

Address before: 100144 Beijing City, Shijingshan District Jin Yuan Zhuang Road No. 5

Applicant before: NORTH CHINA University OF TECHNOLOGY

Applicant before: Beijing Lianzhi Huineng Technology Co.,Ltd.

Applicant before: JIANGSU HIGEE NEW ENERGY CO.,LTD.

GR01 Patent grant
GR01 Patent grant