CN107340475B - 电池故障检测方法和电池故障检测装置 - Google Patents

电池故障检测方法和电池故障检测装置 Download PDF

Info

Publication number
CN107340475B
CN107340475B CN201610282373.1A CN201610282373A CN107340475B CN 107340475 B CN107340475 B CN 107340475B CN 201610282373 A CN201610282373 A CN 201610282373A CN 107340475 B CN107340475 B CN 107340475B
Authority
CN
China
Prior art keywords
battery
voltage
temperature
battery cell
value
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
CN201610282373.1A
Other languages
English (en)
Other versions
CN107340475A (zh
Inventor
张婧晶
耿璐
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.)
Hitachi Ltd
Original Assignee
Hitachi 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 Hitachi Ltd filed Critical Hitachi Ltd
Priority to CN201610282373.1A priority Critical patent/CN107340475B/zh
Publication of CN107340475A publication Critical patent/CN107340475A/zh
Application granted granted Critical
Publication of CN107340475B publication Critical patent/CN107340475B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Secondary Cells (AREA)
  • Tests Of Electric Status Of Batteries (AREA)

Abstract

本发明提供一种对电池组中的多个电池单体进行故障检测的电池故障检测方法和电池故障检测装置。电池故障检测方法包括：电池数据采样步骤；特征要素设定步骤，将采样到的电池单体的电压和计算出的电压变化值设定为表示电池单体的特征的特征要素；特征要素分类步骤，将特征要素按电池状态分类到充电状态、放电状态和静置状态的类别下；特征向量构成步骤，计算各电池状态的类别下的特征要素各自的平均值，构成表示各电池单体的综合特性的特征向量；和故障电池识别步骤，将多个电池单体的特征向量作为输入样本，使用数据挖掘算法来识别发生故障的电池单体。由此，无需使用基于人工经验而预先设定的阈值，能够提高电池故障检测的准确性。

Description

电池故障检测方法和电池故障检测装置
技术领域
本发明涉及一种电池故障检测方法和电池故障检测装置，尤其是一种基于数据挖掘分析的电池故障检测方法和电池故障检测装置。
背景技术
随着国家经济的不断发展，对能源、电力、交通、通信、环保等领域的现代化要求也在不断提高。作为后备能源的蓄电池系统被广泛使用，其运行状态是否正常，直接影响着应用领域中各种设备的正常、可靠和安全运行。
在蓄电池系统中，通常将多个电池单体串联连接成电池组来使用。虽然电池单体经测试及优选分组，但仍然存在性能差异，这些差异在电池的长期运行过程中会不同程度地产生新的差异。个别电池单体性能明显下降，严重影响电池组性能，甚至造成事故，因此需要对电池组中电池单体性能下降和早期故障进行检测，以便能够对其及时采取处置措施。
作为电池故障检测方法，提案有专家系统法，通过把专家知识输入到知识库中，再从知识库依次寻找故障发生的原因及位置。但是，专家系统存在以下缺点：例如专家知识获取的“瓶颈”问题，不具备自学习能力，只能求解固定的专门问题，无法对知识库进行扩充。
一般电池故障检测方法是通过对电池的监控和管理，依据检测出的电池单体的电压、温度等参数以了解电池的工作状态，对电池的异常工作状况给出警报。例如专利文献1中公开了一种锂离子动力电池包故障诊断方法，该方法通过对电池包的静置、充电及放电过程中采集的电压数据和温度数据来判断电池包内各个电池单体故障情况，如其采用的逻辑包括电压低于下限值，电压下降速度高于预定速度等。
此外，专利文献2中公开了一种电池单体故障诊断方法，在该方法中计算电池单体的电压与平均电压的差值，当该差值大于预先设定的阈值时，判断该电池单体存在故障。
现有技术文献
专利文献1：中国专利公开号CN102230954A
专利文献2：中国专利公开号CN103399282A
发明内容
发明要解决的技术问题
但是，在该专利文献1中，在进行电池包故障检测时，采用人工经验并设定阈值来进行电池包故障的判断，因此，一方面人工经验判断缺乏全面性，另一方面使用大量的预先设定的经验性参数会影响电池故障检测的准确性。
此外，在该专利文献2中，也同样地通过使用预先设定的阈值来进行电池单体的故障的判断，并且也没有考虑电池工作状态，因此，也会导致故障检测的准确性低。
本发明是鉴于上述技术问题而做出的，其目的在于，提供一种无需使用预先设定的阈值，能够提高电池故障检测的准确性的电池故障检测方法和电池故障检测装置。
用于解决问题的技术方案
为了解决上述技术问题，本发明提供一种对电池组中的多个电池单体进行故障检测的电池故障检测方法，上述电池组由多个上述电池单体串联连接而成，该电池故障检测方法的特征在于，包括：
数据采样步骤，至少对上述电池组的电流和各上述电池单体的电压进行采样；
特征要素设定步骤，基于采样得到的上述电池单体的电压，计算上述电池单体的电压变化值，根据上述电池单体的电压和计算出的上述电压变化值来设定表示上述电池单体的特征的特征要素；
特征要素分类步骤，基于采样得到的上述电池组的电流，将上述电池单体的上述特征要素按电池状态分类到充电状态、放电状态和静置状态的类别下；
特征向量构成步骤，计算归类到各电池状态的类别下的上述特征要素各自的平均值，构成上述电池单体的表示其综合特征的特征向量；和
故障电池识别步骤，将上述特征向量构成步骤中构成的多个上述电池单体的上述特征向量作为输入样本，使用数据挖掘算法来识别多个上述电池单体中的发生故障的电池单体。
在本发明的一实施方式的电池故障检测方法中，在上述数据采样步骤中，还对上述电池单体的温度进行采样，在上述特征要素设定步骤中，基于采样得到的上述电池单体的温度，计算上述电池单体的温度变化值，根据上述电池单体的电压、温度、电压变化值和温度变化值来设定上述电池单体的特征要素。
在本发明的一实施方式的电池故障检测方法中，在上述特征要素设定步骤中，将上述电池单体的电压、温度、电压变化值和温度变化值设定为上述电池单体的上述特征要素。
在本发明的一实施方式的电池故障检测方法中，在上述特征要素设定步骤中，对上述电池单体的电压、温度、电压变化值和温度变化值分别求取表示其偏离平均值的程度的相对值，将计算出的上述电池单体的电压、温度、电压变化值和温度变化值各自的上述相对值设定为上述电池单体的上述特征要素。
在本发明的一实施方式的电池故障检测方法中，上述数据挖掘算法为K-means聚类算法或c均值聚类算法。
本发明还提供一种对电池组中的多个电池单体进行故障检测的电池故障检测装置，上述电池组由多个上述电池单体串联连接而成，该电池故障检测装置的特征在于，包括：
数据采样模块，其至少对上述电池组的电流和各上述电池单体的电压进行采样；
特征要素设定模块，其基于采样得到的上述电池单体的电压，计算上述电池单体的电压变化值，根据上述电池单体的电压和计算出的上述电压变化值来设定上述电池单体的特征要素；
特征要素分类模块，其基于采样得到的上述电池组的电流，将上述电池单体的上述特征要素按电池状态分类到充电状态、放电状态和静置状态的类别下；
特征向量构成模块，其计算归类到各电池状态的类别下的上述特征要素各自的平均值，构成上述电池单体的表示其综合特征的特征向量；和
故障电池识别模块，其将上述特征向量构成模块中构成的多个上述电池单体的上述特征向量作为输入样本，使用数据挖掘算法来识别多个上述电池单体中的发生故障的电池单体。
在本发明的一实施方式的电池故障检测装置中，上述数据采样模块还对上述电池单体的温度进行采样，上述特征要素设定模块基于采样得到的上述电池单体的温度，计算上述电池单体的温度变化值，根据上述电池单体的电压、温度、电压变化值和温度变化值来设定上述电池单体的特征要素。
在本发明的一实施方式的电池故障检测装置中，上述特征要素设定模块将上述电池单体的电压、温度、电压变化值和温度变化值设定为上述电池单体的上述特征要素。
在本发明的一实施方式的电池故障检测装置中，上述特征要素设定模块对上述电池单体的电压、温度、电压变化值和温度变化值分别求取表示其偏离平均值的程度的相对值，将计算出的上述电池单体的电压、温度、电压变化值和温度变化值各自的上述相对值设定为上述电池单体的上述特征要素。
在本发明的一实施方式的电池故障检测装置中，上述数据挖掘算法为K-means聚类算法或c均值聚类算法。
发明效果
根据本发明的上述结构，由于无需使用基于人工经验而预先设定的阈值，因此，与采用人工经验并设定阈值来进行电池故障的判断的现有技术相比较，能够排除经验性参数的影响，提高电池故障检测的准确性。
此外，在本发明的一实施方式中，由于还考虑了各电池单体的温度和温度变化值，因此能够构成更加准确地表现各电池单体的特性的多维特征向量，从而能够进一步提高电池故障检测的准确性。
此外，在本发明的一实施方式中，由于将电池单体的电压、温度、电压变化值和温度变化值各自的相对值设为电池单体的特征要素，构成表示电池单体的综合特征的多维特征向量，以进行电池故障的检测，因此能够得到更加准确地表现出各电池单体之间的特征差异，从而能够进一步提高电池故障检测的准确性。
附图说明
图1是本发明实施方式1的电池故障检测装置的结构示意图。
图2是表示本发明实施方式1的电池故障检测装置的操作流程的图。
图3是表示本发明实施方式1的电池单体的特征要素分类步骤的流程图。
图4是表示本发明实施方式1的电池单体的特征向量构成步骤的流程图。
图5是表示本发明实施方式1的电池单体的故障电池识别步骤的流程图。
图6是表示具体实施例中的电池组的各时刻的电流的采样数据的图。
图7是表示具体实施例中的多个电池单体的各时刻的电压的采样数据的图。
图8是表示具体实施例中的多个电池单体的各时刻的电压变化值的计算结果的图。
图9是表示具体实施例中的最终聚类结果的图。
图10是表示本发明实施方式2的电池故障检测装置的操作流程的图。
图11是表示本发明实施方式2的电池单体的特征要素分类步骤的流程图。
附图标记的说明
10…电池组、11…电池单体、100…电池故障检测装置、101…数据采样模块、102…特征要素设定模块、103…特征要素分类模块、104…特征向量构成模块、105…故障电池识别模块。
具体实施方式
下面结合附图和实施例对本发明进行更详细的说明。
以下参照附图详细说明本发明所涉及的电池故障检测方法和电池故障检测装置的优选实施方式。此外，在附图的说明中，对同一或者相当部分附以同一符号，省略重复的说明。
(实施方式1)
图1是本发明实施方式1的电池故障检测装置100的结构示意图。如图1所示，电池故障检测装置100包括数据采样模块101、特征要素设定模块102、特征要素分类模块103、特征向量构成模块104和故障电池识别模块105。电池组10由多个电池单体11串联连接而成。电池故障检测装置100对电池组10中的多个电池单体11进行故障检测。
图2是表示本发明实施方式1的电池故障检测装置100的操作流程的图。如图2所示，数据采样模块101在规定期间内至少对电池组10的电流和各电池单体11的电压进行采样，得到各时刻(采样时刻)的电池组10的电流和各电池单体11的电压。
特征要素设定模块102基于采样得到的各电池单体11的各时刻的电压，计算电池单体11的各时刻的电压变化值，并且将电池单体11的电压和电压变化值分别作为表示该电池单体11的特征的特征要素。
特征要素分类模块103基于采样得到的电池组10的各时刻的电流，将由特征要素设定模块102设定的电池单体11的各时刻的特征要素按电池状态分类到充电状态、放电状态和静置状态的类别下。
特征向量构成模块104计算归类到各电池状态的类别下的各电池单体11的特征要素各自的平均值，构成表示各电池单体11的综合特性的多维特征向量。
故障电池识别模块105将特征向量构成模块104中构成的电池组10中的多个电池单体11的多维特征向量作为输入样本，采用数据挖掘算法来识别多个所述电池单体中的发生故障的电池单体。
以下使用图3～图5，对电池故障检测装置100中的各模块的具体操作步骤进行说明。图3表示本发明实施方式1的电池单体11的特征要素分类步骤，图4表示本发明实施方式1的电池单体11的特征向量构成步骤，图5表示本发明实施方式1的电池单体11的故障电池识别步骤。
首先，设置包括电池单体个数N、诊断周期T、电池最小充放电电流Imin等客观的系统值。
在数据采样步骤中，利用数据采样模块101获取电池组10的电流值I和各电池单体11的电压V。然后，在向量设定步骤中，基于采样数据，计算电压变化值dV，将电压V和电压变化值dV作为各电池单体11的特征要素。接着，将采样到电池组10的各时刻的电流值I、以及电池单体11的各时刻的作为特征要素的电压V和电压变化值dV输入到特征要素分类模块103。
例如，令t时刻第n(n为自然数)个电池的电压为Un(t)时，t时刻(t为自然数)的第n个电池单体11的电压变化值由以下计算式1计算得到。
ΔUn(t)＝Un(t+1)-Un(t)…(1)
如图3所示，在特征要素分类步骤中，基于电池组10的电流值I，将各电池单体11的诊断周期T中的各时刻t的电压V和电压变化值dV作为电池单体11的特征要素，分类到不同的电池状态st(st＝1：充电状态，st＝2：放电状态，st＝3：静置状态)的类别下。图中，Cst[M]表示电池单体11的状态st下的特征要素的Mst个数值的数组。
例如，当t时刻的电池组10的电流值I＞Imin时，将各电池单体11的t时刻的特征要素分类到充电状态的类别下，当t时刻的电池组10的电流值I＜-Imin时，将各电池单体11的t时刻的特征要素分类到放电状态的类别下，当t时刻的电池组10的电流值满足-Imin≤I≤Imin时，将各电池单体11的t时刻的特征要素分类到静置状态的类别下。
接着，使用图4对特征向量构成步骤进行说明。
如图4所示，在特征向量构成步骤中，计算各电池单体11的归类到各电池状态下的特征要素各自的平均值，例如，对于第n个电池单体11，将归类到电池充电状态(st＝1)下的电压V的所有数值求取平均值而得到
Figure BDA0000978649830000071
将归类到电池充电状态下的电压变化值dV的所有数值求取平均值而得到
Figure BDA0000978649830000072
即，图中C1包括
Figure BDA0000978649830000073
和
Figure BDA0000978649830000074
接着，对归类到电池放电状态(st＝2)和静置状态(st＝3)下的作为特征要素的电压和电压变化值的所有数值求取平均值而得到C2、C3，其中，C2包括
Figure BDA0000978649830000075
和
Figure BDA0000978649830000076
C3包括
Figure BDA0000978649830000077
和
Figure BDA0000978649830000078
最终，构成表示各电池单体11的综合特性的多维特征向量。图中，F[n]表示第n个电池单体的多维特征向量，由充电状态、放电状态、静置状态3个状态下的包含电压V和电压变化值dV的特征要素组成，因此F[n]为6维特征向量，如以下计算式2所示。
Figure BDA0000978649830000081
接着，使用图5对故障电池识别步骤进行说明。
如图5所示，在故障电池识别步骤中，将上述特征向量构成步骤中构成的电池组10内的各电池单体11的多维特征向量作为数据挖掘算法的输入样本，采用数据挖掘算法来识别多个电池单体11中的发生故障的电池单体11。在本实施方式中，作为数据挖掘算法，采用K-means聚类算法。但本发明不限于此，例如也可以采用C均值聚类算法等其他数据挖掘算法。
以下，对采样K-means聚类算法进行电池故障检测的方法进行具体说明。
首先，随机选取任意K个对象作为初始聚类的中心，初始代表一个簇。该算法在每次迭代中通过计算样本数据对象到各个聚类中心的欧式距离，将对象重新赋给最近的簇，同时采用簇中对象的均值更新聚类中心，直至所有对象到各自聚类中心的距离的平方和J(C)收敛。在对于数据集合(x1,x2,…,xi,…,xn)，每个数据xi为d维向量，μi为每个簇ck的聚类中心的情况下，该簇各对象到聚类中心的距离平方和由计算式3计算得到。
Figure BDA0000978649830000082
各簇总的距离平方和由计算式4计算得到。
Figure BDA0000978649830000083
通过上述定义，当J(C)收敛时，循环结束。选取不同的类别K，反复运行K-means聚类，选取最优意义的聚类划分结果作为最终聚类结果，从而进行电池故障的检测。
(具体实施例)
作为一个具体实施例，在数据采样步骤中，采样得到图6所示的表示电池组10的电流的采样数据和图7所示的表示多个电池单体11的电压的采样数据，并基于多个电池单体11的电压的采样数据，获得图8所示的表示多个电池单体11的电压变化值的计算结果。
在故障电池识别步骤中，将基于上述电压和电流采样数据和电压变化值的计算结果而形成的上述多维特征向量作为输入样本，采用K-means聚类算法进行电池单体的故障检测后，得到图9所示的最终聚类结果。
图9为在上述K-means聚类算法中选定类别个数为2而进行划分后得到的最终聚类结果的一个例子。图9中所示的第一类表示发生故障的电池单体。
如上所述，在本发明的上述实施方式中，由于无需使用基于人工经验而预先设定的阈值，因此，与采用人工经验并设定阈值来进行电池故障的判断的现有技术相比较，排除了经验性参数的影响，能够提高电池故障检测的准确性。
(实施方式2)
实施方式2与实施方式1的区别在于，数据采样模块101不仅对电池单体11的电压进行采样，还对电池单体11的温度进行采样，除此之外，与实施方式1大致相同。
图10是表示本发明实施方式2的电池故障检测装置100的操作流程的图。如图10所示，在特征要素设定步骤中，基于采样得到的电池单体11的温度，计算电池单体11的温度变化值。例如，令t时刻第n个电池单体的温度为Tn(t)时，t时刻的第n个电池单体的温度变化值由以下计算式5计算得到。
ΔTn(t)＝Tn(t+1)-Tn(t)…(5)
接着，在特征要素设定步骤中，将数据采样模块101所采样到的电池单体11的电压、温度以及计算出的电压变化值和温度变化值分别作为表示该电池单体11的特征的特征要素。
在特征要素分类步骤中，基于采样到的电池组10的各时刻的电流，将电池单体11的各时刻的作为特征要素的温度和温度变化值按电池状态分类到充电状态、放电状态和静置状态下。
图11是表示本发明实施方式2的电池单体11的特征要素分类步骤，在特征要素分类步骤中，基于电池组10的电流值I，将各电池单体11的诊断周期T中的各时刻t的电压V、温度T、电压变化值dV、温度变化值dT设为电池单体11的特征要素，分类到不同的电池状态st(st＝1：充电状态，st＝2：放电状态，st＝3：静置状态)的类别下。
在本实施方式中，由于特征要素包括电压V、温度T、电压变化值dV、温度变化值dT，因此，在特征向量构成步骤中构成的表示各电池单体11的综合特性的多维特征向量F[n]为12维的特征向量。具体来说，例如，对于第n个电池单体11，除了实施方式1中所述电压和电压变化值之外，将归类到电池充电状态(st＝1)下的温度T的所有数值求取平均值而得到
Figure BDA0000978649830000101
将归类到电池充电状态下的温度变化值dV的所有数值求取平均值而得到
Figure BDA0000978649830000102
接着，对归类到电池放电状态(st＝2)和静置状态(st＝3)下的作为特征要素的温度和温度变化值的所有数值求取平均值而得到
Figure BDA0000978649830000103
和
Figure BDA0000978649830000104
最终，构成表示各电池单体11的综合特性的多维特征向量。如以下计算式6所示。
Figure BDA0000978649830000105
在故障电池识别步骤中，通过将上述特征向量构成步骤中计算出的电池组10内的各电池单体11的12维特征向量作为数据挖掘算法的输入样本，采用数据挖掘算法来识别多个电池单体11中的发生故障的电池单体11。之后的步骤与实施方式1的步骤基本相同，故省略说明。
在实施方式2中，由于还考虑了各电池单体的温度和温度变化值，因此能够构成更加准确地表现各电池单体11的特性的多维特征向量，从而能够进一步提高电池故障检测的准确性。
(实施方式3)
在上述实施方式中，将电池单体11的电压、温度、电压变化值和温度变化值直接设定为电池单体11的特征要素。而在实施方式3中，将对电池单体11的电压、温度、电压变化值和温度变化值分别进行处理后得到的各自的相对值设定为电池单体11的特征要素。除此之外，与上述实施方式大致相同。
具体来说，在特征要素设定步骤中，利用特征要素设定模块102对电池单体11的电压、温度、电压变化值和温度变化值分别求取表示其偏离平均值的程度的相对值，将计算出的电池单体11的电压、温度、电压变化值和温度变化值各自的相对值分别设定为电池单体11的特征要素。
该相对值例如由以下方法计算得到。
首先，按以下计算式7～10计算各时刻的电池单体11的平均电压、平均温度、平均电压变化值和平均温度变化值。
Figure BDA0000978649830000111
Figure BDA0000978649830000112
Figure BDA0000978649830000113
Figure BDA0000978649830000114
其中，令t时刻的第n个电池的平均电压为
Figure BDA0000978649830000115
平均温度为
Figure BDA0000978649830000116
平均电压变化值为
Figure BDA0000978649830000117
平均温度变化值为
Figure BDA0000978649830000118
然后，将各时刻的各电池单体的电压、温度、电压变化值和温度变化值，以及计算得到的各时刻的各电池单体的平均电压、平均温度、平均电压变化值和平均温度变化值分别代入以下计算式11～14，从而分别得到电池单体11的电压、温度、电压变化值和温度变化值各自的相对值SUn(t)、STn(t)、SΔUn(t)和SΔTn(t)。
Figure BDA0000978649830000119
Figure BDA00009786498300001110
Figure BDA00009786498300001111
Figure BDA00009786498300001112
其中，ku，kT，kΔu，kΔT分别为电压，温度，电压变化，温度变化的相对系数。
由此，得到各时刻的各电池单体的电压、温度、电压变化值和温度变化值各自的相对值。将计算出的电池单体11的电压、温度、电压变化值和温度变化值各自的相对值设定为电池单体11的特征要素。
之后的步骤与实施方式1的步骤基本相同，故省略说明。
在本实施方式中，由于将电池单体11的电压、温度、电压变化值和温度变化值各自的相对值设定为电池单体11的特征要素，构成表示电池单体11的综合特征的多维特征向量，以进行电池故障的检测，因此能够得到更加准确地表现出各电池单体11之间的特征差异，从而能够进一步提高电池故障检测的准确性。
本发明并不限定于上述实施方式，而是包含了各种变形例。例如，上述实施方式是为了对本发明简单易懂地说明而进行的详细说明，并非限定必须具备所说明的全部的结构。在不离开本发明范围的情况下，可对上述具体实施方式进行各种改变。
本说明书公开的上述各结构、功能，其部分或者全部可通过例如使用集成电路来设计等以硬件实现。或者，上述的各结构、功能，也可通过处理器解释和实施实现各功能的程序而以软件实现。实现各功能的程序、表格、文件等信息，可存储在存储器、硬盘、SSD(Solid State Drive，固态硬盘)等记录装置中，或者IC(Integrated Circuit，集成电路)卡、SD(Secure Digital Memory，安全数字存储)卡、DVD(Digital Versatile Disc，多用途数字光盘)等记录介质中。

Claims (8)

1.一种对电池组中的多个电池单体进行故障检测的电池故障检测方法，所述电池组由多个所述电池单体串联连接而成，该电池故障检测方法的特征在于，包括：
数据采样步骤，至少对所述电池组的电流和各所述电池单体的电压、温度进行采样；
特征要素设定步骤，基于采样得到的所述电池单体的电压，计算所述电池单体的电压变化值，并基于采样得到的所述电池单体的温度，计算所述电池单体的温度变化值，根据所述电池单体的电压、温度、电压变化值和温度变化值来设定所述电池单体的特征要素；
特征要素分类步骤，基于诊断周期中的各时刻采样得到的所述电池组的电流，将该时刻所对应的、根据所述电池单体的电压、温度、电压变化值和温度变化值来设定的所述电池单体的所述特征要素，分别归类到充电状态、放电状态和静置状态的类别下；
特征向量构成步骤，计算被分别归类到所述充电状态、所述放电状态和所述静置状态的类别下的多个所述特征要素的平均值，构成12维特征向量，并将该12维特征向量作为所述电池单体的表示其综合特征的特征向量；和
故障电池识别步骤，将所述特征向量构成步骤中构成的多个所述电池单体的所述12维特征向量作为输入样本，使用数据挖掘算法来识别多个所述电池单体中的发生故障的电池单体。
2.如权利要求1所述的电池故障检测方法，其特征在于：
在所述特征要素设定步骤中，将所述电池单体的电压、温度、电压变化值和温度变化值设定为所述电池单体的所述特征要素。
3.如权利要求1所述的电池故障检测方法，其特征在于：
在所述特征要素设定步骤中，对所述电池单体的电压、温度、电压变化值和温度变化值分别求取表示其偏离平均值的程度的相对值，将计算出的所述电池单体的电压、温度、电压变化值和温度变化值各自的所述相对值设定为所述电池单体的所述特征要素。
4.如权利要求1至3中任一项所述的电池故障检测方法，其特征在于：
所述数据挖掘算法为K-means聚类算法或c均值聚类算法。
5.一种对电池组中的多个电池单体进行故障检测的电池故障检测装置，所述电池组由多个所述电池单体串联连接而成，该电池故障检测装置的特征在于，包括：
数据采样模块，其至少对所述电池组的电流和各所述电池单体的电压、温度进行采样；
特征要素设定模块，其基于采样得到的所述电池单体的电压，计算所述电池单体的电压变化值，并基于采样得到的所述电池单体的温度，计算所述电池单体的温度变化值，根据所述电池单体的电压、温度、电压变化值和温度变化值来设定所述电池单体的特征要素；
特征要素分类模块，其基于诊断周期中的各时刻采样得到的所述电池组的电流，将该时刻所对应的、根据所述电池单体的电压、温度、电压变化值和温度变化值来设定的所述电池单体的所述特征要素，分别归类到充电状态、放电状态和静置状态的类别下；
特征向量构成模块，其计算被分别归类到所述充电状态、所述放电状态和所述静置状态的类别下的多个所述特征要素的平均值，构成12维特征向量，并将该12维特征向量作为所述电池单体的表示其综合特征的特征向量；和
故障电池识别模块，其将所述特征向量构成模块中构成的多个所述电池单体的所述12维特征向量作为输入样本，使用数据挖掘算法来识别多个所述电池单体中的发生故障的电池单体。
6.如权利要求5所述的电池故障检测装置，其特征在于：
所述特征要素设定模块将所述电池单体的电压、温度、电压变化值和温度变化值设定为所述电池单体的所述特征要素。
7.如权利要求5所述的电池故障检测装置，其特征在于：
所述特征要素设定模块对所述电池单体的电压、温度、电压变化值和温度变化值分别求取表示其偏离平均值的程度的相对值，将计算出的所述电池单体的电压、温度、电压变化值和温度变化值各自的所述相对值设定为所述电池单体的所述特征要素。
8.如权利要求5至7中任一项所述的电池故障检测装置，其特征在于：
所述数据挖掘算法为K-means聚类算法或c均值聚类算法。
CN201610282373.1A 2016-04-29 2016-04-29 电池故障检测方法和电池故障检测装置 Active CN107340475B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610282373.1A CN107340475B (zh) 2016-04-29 2016-04-29 电池故障检测方法和电池故障检测装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610282373.1A CN107340475B (zh) 2016-04-29 2016-04-29 电池故障检测方法和电池故障检测装置

Publications (2)

Publication Number Publication Date
CN107340475A CN107340475A (zh) 2017-11-10
CN107340475B true CN107340475B (zh) 2021-03-16

Family

ID=60222811

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610282373.1A Active CN107340475B (zh) 2016-04-29 2016-04-29 电池故障检测方法和电池故障检测装置

Country Status (1)

Country Link
CN (1) CN107340475B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109002781B (zh) * 2018-07-02 2021-10-22 国电南瑞科技股份有限公司 一种储能变流器故障预测方法
CN108960321B (zh) * 2018-07-02 2021-10-22 国电南瑞科技股份有限公司 一种大型锂电池储能电站电池故障预测方法
CN109375109A (zh) * 2018-10-16 2019-02-22 宁波工程学院 一种基于数据挖掘的蓄电池故障诊断方法
CN109444712B (zh) * 2018-11-09 2020-10-23 无锡中微腾芯电子有限公司 基于归一法结合欧式距离函数的集成电路数据筛选方法
CN109765490B (zh) * 2018-11-12 2020-08-04 北京理工大学 一种基于高维数据诊断的动力电池故障检测方法及系统
KR20210004646A (ko) 2019-07-05 2021-01-13 주식회사 엘지화학 배터리 셀 진단 장치 및 방법
CN110412480A (zh) * 2019-07-10 2019-11-05 Oppo广东移动通信有限公司 电池筛选方法、装置及计算机存储介质和测试系统
CN111126449A (zh) * 2019-11-29 2020-05-08 合肥国轩高科动力能源有限公司 一种基于聚类分析的电池故障分类诊断方法
CN111562515B (zh) * 2020-05-18 2021-03-12 北京理工大学 一种动力电池组特征单体的筛选方法
CN112710956B (zh) * 2020-12-17 2023-08-04 四川虹微技术有限公司 一种基于专家系统的电池管理系统故障检测系统及方法
CN113296011B (zh) * 2021-04-15 2022-08-26 汇智道晟(舟山)科技有限公司 一种电路传导信号主动探测分析系统
CN115774208A (zh) * 2022-11-25 2023-03-10 上海玫克生储能科技有限公司 一种电池单元异常监测方法、装置、电子设备及介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2330476A1 (en) * 2009-11-27 2011-06-08 Agence Spatiale Européenne Sequential switching shunt regulator cell with non-redundant rectifier
CN102230954A (zh) * 2011-06-22 2011-11-02 奇瑞汽车股份有限公司 一种锂离子动力电池包故障诊断装置及其诊断方法
CN102680903A (zh) * 2012-05-11 2012-09-19 山东轻工业学院 便携式蓄电池状态检测系统及其检测方法
CN202474128U (zh) * 2012-01-18 2012-10-03 杭州高特电子设备有限公司 一种基于聚类分析的电池单元配组系统
CN102749585A (zh) * 2011-04-21 2012-10-24 李昌 一种基于多层支持向量机的蓄电池在线监测方法
CN103057433A (zh) * 2012-12-25 2013-04-24 北京理工大学 工作状态下的电动汽车中成组电池的单体电池的检测方法
CN203014355U (zh) * 2012-10-15 2013-06-19 湖南丰源业翔晶科新能源股份有限公司 一种具有报警功能的锂电池组保护板
CN105005222A (zh) * 2015-06-12 2015-10-28 山东省科学院自动化研究所 基于大数据的新能源电动汽车整车性能提升系统及方法
CN105137359A (zh) * 2015-08-28 2015-12-09 陈宇星 一种电池单体的故障检测方法和装置

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20020023145A (ko) * 2000-09-21 2002-03-28 가나이 쓰도무 유기 보레이트 리튬 화합물 및 이를 이용한 비수전해액
CN1489252A (zh) * 2002-10-09 2004-04-14 圣能捷科技股份有限公司 智慧型锂离子电池组保护电路
KR101678526B1 (ko) * 2011-11-17 2016-11-23 삼성에스디아이 주식회사 배터리 시스템, 배터리 시스템의 제어 방법 및 이를 포함하는 전력 저장 시스템
CN102544606B (zh) * 2012-01-18 2014-02-05 杭州高特电子设备有限公司 基于聚类分析的锂电池单元配组方法
JP5932488B2 (ja) * 2012-05-30 2016-06-08 ルネサスエレクトロニクス株式会社 電圧監視モジュール及び電圧監視システム
CN102749588B (zh) * 2012-06-20 2015-03-11 南京航空航天大学 基于蓄电池soc和soh的故障诊断方法
CN102930406A (zh) * 2012-11-15 2013-02-13 余姚市供电局 一种蓄电池应用管理平台及方法
CN103116135B (zh) * 2012-12-14 2016-11-23 惠州市亿能电子有限公司 一种电池系统故障自动诊断系统
CN105051552B (zh) * 2013-04-09 2018-11-02 三菱电机株式会社 电压传感器的故障检测装置
CN103269096B (zh) * 2013-05-14 2015-03-18 国家电网公司 一种基于聚类分析的电池组均衡方法
CN103413033A (zh) * 2013-07-29 2013-11-27 北京工业大学 一种预测蓄电池故障的方法
US9726730B2 (en) * 2014-02-24 2017-08-08 Cellebrite Mobile Synchronization Ltd. System and method for determining a state of health of a power source of a portable device
CN103954913B (zh) * 2014-05-05 2017-06-30 哈尔滨工业大学深圳研究生院 电动汽车动力电池寿命预测方法
CN105304959A (zh) * 2014-06-26 2016-02-03 宋旦 一种电储能装置均衡方法
GB201415081D0 (en) * 2014-08-26 2014-10-08 Biz2Mobile Ltd Analysing effects of programs on mobile devices

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2330476A1 (en) * 2009-11-27 2011-06-08 Agence Spatiale Européenne Sequential switching shunt regulator cell with non-redundant rectifier
CN102749585A (zh) * 2011-04-21 2012-10-24 李昌 一种基于多层支持向量机的蓄电池在线监测方法
CN102230954A (zh) * 2011-06-22 2011-11-02 奇瑞汽车股份有限公司 一种锂离子动力电池包故障诊断装置及其诊断方法
CN202474128U (zh) * 2012-01-18 2012-10-03 杭州高特电子设备有限公司 一种基于聚类分析的电池单元配组系统
CN102680903A (zh) * 2012-05-11 2012-09-19 山东轻工业学院 便携式蓄电池状态检测系统及其检测方法
CN203014355U (zh) * 2012-10-15 2013-06-19 湖南丰源业翔晶科新能源股份有限公司 一种具有报警功能的锂电池组保护板
CN103057433A (zh) * 2012-12-25 2013-04-24 北京理工大学 工作状态下的电动汽车中成组电池的单体电池的检测方法
CN105005222A (zh) * 2015-06-12 2015-10-28 山东省科学院自动化研究所 基于大数据的新能源电动汽车整车性能提升系统及方法
CN105137359A (zh) * 2015-08-28 2015-12-09 陈宇星 一种电池单体的故障检测方法和装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A naive Bayes model for robust remaining useful life prediction of lithium-ion battery;Selina S.Y.;《Applied Energy》;20140401;全文 *
基于分裂决策树判别的冶金蓄电池故障检测研究;刘尚争;《电气技术》;20140220;全文 *

Also Published As

Publication number Publication date
CN107340475A (zh) 2017-11-10

Similar Documents

Publication Publication Date Title
CN107340475B (zh) 电池故障检测方法和电池故障检测装置
KR102357351B1 (ko) 복수의 배터리 셀들을 포함하는 배터리 팩의 상태를 추정하는 장치 및 방법
CN108931725B (zh) 一种电池故障检测的方法及装置
EP3676625B1 (en) Apparatus and methods for identifying anomaly(ies) in re-chargeable battery of equipment and connected component(s)
CN114236393B (zh) 基于大数据的在线检测电池异常的方法及系统
KR20160067510A (ko) 배터리의 상태를 추정하는 방법 및 장치
KR20190136072A (ko) 이완 전압들에 기반하여 모바일 장치에 대한 배터리 수명을 추정하는 방법
JP7384529B2 (ja) 電池診断装置および方法
WO2023024851A1 (zh) 电池均衡方法及系统
EP4202458A1 (en) Battery diagnosis device, battery system, and battery diagnosis method
CN114839541A (zh) 基于k均值聚类的动力电池组不一致性诊断方法及系统
CN112329350A (zh) 基于隔离的飞机铅酸蓄电池异常检测半监督方法
JP7546702B2 (ja) バッテリー異常診断装置及び方法
EP4145157A1 (en) Battery system state of health monitoring system
CN113866641A (zh) 一种锂离子电池的故障检测方法及装置
Maruf et al. Locating faults in distribution systems in the presence of distributed generation using machine learning techniques
CN118033459A (zh) 一种电动汽车电池系统渐进性故障诊断与预警方法
CN117129897A (zh) 电池模组/电池簇内健康状态评分方法、系统、存储介质及终端
CN116400244A (zh) 储能电池的异常检测方法及装置
Yang et al. Multi-fault diagnosis for battery pack based on adaptive correlation sequence and sparse classification model
CN113391214A (zh) 一种基于电池充电电压排名变化的电池微故障诊断方法
Wardhani et al. Fault detection in wireless sensor networks data using random under sampling and extra-tree algorithm
CN117007977A (zh) 一种储能电池健康状态诊断方法
CN113514742B (zh) 一种gis局部放电严重程度的评估方法、系统和介质
Seo et al. Detection of internal short circuit for lithium-ion battery using convolutional neural networks with data pre-processing

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