← 返回
基于集成学习相关系数法的串联电池组电压传感器与短路故障鲁棒诊断
Ensemble Learning-Based Correlation Coefficient Method for Robust Diagnosis of Voltage Sensor and Short-Circuit Faults in Series Battery Packs
| 作者 | Guang Wang · Gaofeng Zhao · Jiale Xie · Kailong Liu |
| 期刊 | IEEE Transactions on Power Electronics |
| 出版日期 | 2023年7月 |
| 技术分类 | 储能系统技术 |
| 技术标签 | 储能系统 故障诊断 机器学习 电池管理系统BMS |
| 相关度评分 | ★★★★★ 5.0 / 5.0 |
| 关键词 | 电池组 故障诊断 集成学习 相关系数 电压传感器故障 短路故障 贝叶斯概率 多元统计分析 |
语言:
中文摘要
针对电动汽车电池组安全运行，本文提出了一种基于集成学习框架的改进相关系数（CC）故障诊断方法。该方法结合多元统计分析与贝叶斯概率理论，通过多窗口宽度选择，实现了对电池组电压传感器故障及短路故障的鲁棒性诊断，显著提升了故障检测的准确性与可靠性。
English Abstract
Accurate and reliable multifault diagnosis of battery packs is crucial to the safe operation of electric vehicles. To this end, this article proposes a systematically improved correlation coefficient (CC) method by utilizing multivariate statistical analysis and Bayesian probability theory under the framework of ensemble learning. Specifically, different window widths are first selected in an appr...
S
SunView 深度解读
该研究直接服务于阳光电源储能业务的核心安全需求。在PowerTitan和PowerStack等大型储能系统中，电池组的故障诊断是BMS（电池管理系统）的关键功能。该算法提出的集成学习与相关系数法，可有效提升BMS对电芯电压异常及短路故障的识别精度，降低误报率，从而增强系统的运行安全性。建议研发团队将此算法集成至iSolarCloud智能运维平台，通过云端大数据分析与本地BMS策略结合，实现储能系统全生命周期的故障预警与主动安全防护，提升产品在电网侧及工商业储能市场的竞争力。