CN111208445A - 一种动力电池异常单体识别方法及系统 - Google Patents

Abstract

本发明公开了一种动力电池异常单体识别方法及系统。动力电池异常单体识别方法，包括：根据车辆工况数据集生成异常判断阈值；接收单体车辆工况数据，通过单体车辆工况数据以及异常判断阈值判断单体车辆的电池单体状态；通过单体车辆工况数据更新车辆工况数据集，根据更新后的车辆工况数据集更新异常判断阈值。本发明提出的识别方法通过车辆在行驶过程中真实的工况数据判断电池单体是否存在异常，结合动态更新的车辆工况数据集，可以有效的识别出处于工作状态下，电池包中的异常单体，减少由于电池包一致性问题引发的车辆故障。本发明提出的识别方法可以同时检测多台车辆中电池包的状态，异常电池单体识别效率高。

Description

一种动力电池异常单体识别方法及系统

技术领域

本发明实施例涉及电池技术，尤其涉及一种动力电池异常单体识别方法及系统。

背景技术

对于车用动力电池来说，其电池包一般由许多个型号相同的单体串并联而成，虽然电池单体的类型、规格相同，但电池单体在电压、内阻、容量等方面通常会存在一定的差异，电池组在使用时，各电池单体之间的差异会逐渐增大，最终影响电池包的使用性能。

当电池包中某一个或者某几个电池单体出现异常时，即使电池包存在主动或者被动均衡技术，也仍会导致电池组内部异常单体和正常单体间的充放电状态不一致。当电池包充放电状态不一致时，由于各单体电池电流、放电深度和端电压不同，单体电池性能衰减速度不同，因此容易导致电池包提前失效。现有技术中，电池包一致性评价测试主要集中在电池包静态的压差测试和实验室环境下的少部分电池单体串联研究。其主要通过对电池进行在线电压电流、蓄电池内阻、蓄电池核容放电检测等，获得放电容量、电压、内阻等检测数据，再经一致性计算程序获得一致性评价结构。

现有技术中的电池包测试方法仅能评价静态条件下的电池单体一致性，不能评价电池在使用过程中和一段时间后的一致性，且难以定位到具体的那个单体出现异常。

发明内容

本发明提供一种动力电池异常单体识别方法及系统，以实现动态分析行驶车辆中电池包一致性的目的。

第一方面，本发明实施例提供了一种动力电池异常单体识别方法，包括：

根据所述车辆工况数据集生成异常判断阈值，接收单体车辆工况数据，通过所述单体车辆工况数据以及所述异常判断阈值判断单体车辆的电池单体状态，通过所述单体车辆工况数据更新所述车辆工况数据集，根据更新后的车辆工况数据集更新异常判断阈值。

进一步的，所述单体车辆工况数据包括单体车辆的电池单体电压数据和车辆识别代号，所述车辆识别代号用于区分不同单体车辆，所述电池单体电压数据用于计算电池单体异常指标，通过所述电池单体异常指标和所述异常判断阈值判断电池单体是否存在异常。

进一步的，采用所述单体车辆工况数据中连续的一组电池单体电压数据计算电池单体异常指标。

进一步的，还包括对连续的一组电池单体电压数据进行预处理，以去除其中的异常跳变值，所述单体车辆工况数据还包括充电状态，所述充电状态作为对连续的一组电池单体电压数据进行预处理时的参考量。

进一步的，基于所述电池单体电压数据，采用离群点检测方法计算所述电池单体异常指标。

第二方面，本发明实施例还提供了一种动力电池异常单体识别系统，包括车联网单元和服务器，所述车联网单元和所述服务器通信连接，所述车联网单元用于发送单体车辆工况数据，所述服务器用于存储车辆工况数据集，根据所述车辆工况数据集生成异常判断阈值；接收单体车辆工况数据，通过所述单体车辆工况数据以及所述异常判断阈值判断单体车辆的电池单体状态；通过所述单体车辆工况数据更新所述车辆工况数据集，根据更新后的车辆工况数据集更新异常判断阈值。

进一步的，还包括终端，所述终端与所述服务器通信连接，用于接收并展示动力电池异常单体识别结果。

进一步的，所述服务器将包含异常电池单体数据的单体车辆工况数据添加至车辆工况数据集中，根据更新后的车辆工况数据集更新异常判断阈值。

与现有技术相比，本发明的有益效果在于：通过车辆在行驶过程中真实的工况数据判断电池单体是否存在异常，结合动态更新的车辆工况数据集，可以有效的识别出处于工作状态下，电池包中的异常单体，减少由于电池包一致性问题引发的车辆故障。本发明提出的识别方法基于车辆工况数据集计算出异常判断阈值，基于单体车辆工况数据计算出异常评价值，通过比较异常判断阈值和异常评价值判断电池包的状态，因此，本发明提出的识别方法可以同时计算出多组异常评价值，再进行异常评价值和异常判断阈值的比对，即同时检测多台车辆中电池包的状态，异常电池单体识别效率高。

附图说明

图1是实施例一中的识别方法流程图；

图2是实施例二中的识别方法流程图；

图3是实施例二中的异常电池单体识别结果图；

图4是实施例三中的识别系统结构框图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

实施例一

本实施例中提出一种动力电池异常单体识别方法，图1是实施例一中的识别方法流程图，参考图1，识别方法包括：

S101.根据车辆工况数据集生成异常判断阈值。

本步骤中，车辆工况数据集可以为采集到的车辆在实际行驶过程中的工况数据，也可以为通过台架试验获取的测试工况数据。示例性的，车辆工况数据可以包括车辆型号、电池型号、电池包总电压、电池包总电流、电池包温度、电池单体电压数据、充电状态、累计行驶里程和车速等，构建车辆工况数据集时可以将包括同种车辆型号的数据归类到一个数据子集中，也可以将包括同种电池型号的数据归类到一个数据子集中。

示例性的，基于车辆工况数据集中的单体电压数据，可以通过机器学习、回归分析等方法查找出异常的单体电池，并相应的根据异常单体电池的电压计算出异常评价值，基于异常评价值生成用于判断电池单体是否异常的异常判断阈值。

S102.接收单体车辆工况数据，通过单体车辆工况数据以及异常判断阈值判断单体车辆的电池单体状态。

本步骤中，单体车辆工况数据为某一车辆发送的行驶工况数据，示例性的，行驶工况数据可以包括车辆型号、电池型号、电池单体电压数据、充电状态等，基于单体车辆工况数据中的电池单体电压数据可以计算出电池单体的异常评价值，通过比较异常评价值和异常判断阈值，以分辨出异常的电池单体，例如当某一电池单体的异常评价值大于异常判断阈值时，则判定该电池单体异常。

S103.通过单体车辆工况数据更新车辆工况数据集，根据更新后的车辆工况数据集更新异常判断阈值。

本步骤中，根据实际需求可以设定数据更新周期，周期性将单体车辆工况数据添加至车辆工况数据集中，并删除一部分过期数据，并利用更新后的车辆工况数据集重新计算异常判断阈值，以提高异常电池单体评价的准确性。

本实施例中，通过车辆在行驶过程中真实的工况数据判断电池单体是否存在异常，结合动态更新的车辆工况数据集，可以有效的识别出处于工作状态下，电池包中的异常单体，减少由于电池包一致性问题引发的车辆故障。本实施例中的识别方法基于车辆工况数据集计算出异常判断阈值，基于单体车辆工况数据计算出异常评价值，通过比较异常判断阈值和异常评价值判断电池包的状态，因此，本实施例提出的识别方法可以同时计算出多组异常评价值，再进行异常评价值和异常判断阈值的比对，即同时检测多台车辆中电池包的状态，异常电池单体识别效率高。

作为一种优选方案，单体车辆工况数据包括单体车辆的电池单体电压数据和车辆识别代号，车辆识别代号用于区分不同单体车辆，电池单体电压数据用于计算电池单体异常指标，通过电池单体异常指标和异常判断阈值判断电池单体是否存在异常。

示例性的，当同时检测多台车辆中的电池包状态时，根据单体车辆工况数据中车辆识别代号区分不同的车辆，避免复杂运算提高识别的执行效率。示例性的，单独采用电池单体电压数据计算电池单体异常指标，可以简化机器学习或回归分析中涉及的数学模型，降低运算复杂度。其余种类的数据，例如电池型号、电池包总电压、电池包总电流、电池包温度、充电状态、累计行驶里程和车速等主要用于针对车辆工况数据集的分类查找，便于针对电池包的进一步分析研究。

实施例二

在实施例一的基础上，本实施例采用单体车辆工况数据中连续的一组电池单体电压数据计算电池单体异常指标，图2是实施例二中的识别方法流程图，参考图2，包括步骤：

S201.根据车辆工况数据集生成异常判断阈值。

本步骤中，车辆工况数据集为采集到的车辆在实际行驶过程中的工况数据，，车辆工况数据可以包括车辆型号、电池型号、电池包总电压、电池包总电流、电池包温度、电池单体电压数据、充电状态、累计行驶里程和车速等，构建车辆工况数据集时将包括同种电池型号的数据归类到一个数据子集中。

示例性的，通过LOF(离群点检测)算法计算异常判断阈值。计算时，将车辆工况数据集中相同型号电池对应的电池单体电压数据作为输入，计算出每个电池单体电压的局部离群因子。对于异常电池单体电压数据，其局部离群因子会明显大于其余正常电池单体对应的局部离群因子，示例性的，本步骤中将所有异常电池单体对应的局部离群因子中的最小值作为异常判断阈值，例如第一个异常电池单体对应的局部离群因子为m1₀，第n个异常电池单体对应的局部离群因子为m1_n，则异常判断阈值m为

m＝min(m1₀，m1₁，…，m1_n)。

示例性的，计算异常判断阈值时也可以使用Iforest、KNN、CLOF、Entropy、Zscore、Pyod、ABOD或者PCA中的一种。

S202.接收单体车辆工况数据，截取连续的一组电池单体电压数据。

表1

vin	Char_St	Veh_St	time	mil	X0	X1	X2	X3	X4	X5	X6	Xn
													ST	0	1	1:31	1568	3661	3667	3664	3669	3665	3667	3664	3664
ST	0	1	1:32	1568	3662	3667	3663	3668	3665	3667	3664	3664
													ST	0	1	1:33	1568	3662	3667	3665	3669	3665	3668	3664	3662
ST	0	1	1:34	1568	3661	3667	3664	3669	3665	3667	3664	3664
													ST	0	1	1:35	1568	3659	3665	3662	3668	3663	3666	3662	3663

表1中vin为车辆识别代号，Char_St为充电状态，Veh_St为车辆状态，time为时间标签，mil为累积行驶里程，X0～Xn为各电池单体对应的电压。参考表1，本步骤中，基于单体车辆工况数据中的时间标签，将时长作为数据截取的依据，例如，从历史单体车辆工况数据中选取连续三小时的工况数据作为样本数据。可选的，还可以将累计行驶里程作为数据截取的依据。

S203.对连续的一组电池单体电压数据进行预处理，以去除其中的异常跳变值。

示例性的，进行数据预处理前首先以电池单体为单位将单体车辆工况数据进行拆分，形成数据子集，每个数据子集中只包含一个电池单体对应的电压数据、该电池单体的编号以及充电状态，分别对每个电池单体对应的电压数据进行预处理，对连续的一组电池单体电压数据进行预处理时，将充电状态作为参考量，剔除明显异常的电压数据，例如样本数据中充电状态为充电，若其中一项工况数据中的充电状态为放电，则剔除该项工况数据，也即剔除了该项工况数据中的电压数据，然后采用3σ准则，去除电压数据中的异常值和跳变值，采用剩余电压数据中的平均值替换电压数据中的异常值和跳变值。

S204.通过预处理后的电池单体电压数据计算电池单体异常指标。

本步骤中基于各电池单体电压数据，采用LOF算法法计算各电池单体异常指标，其中电池单体异常指标为各电池单体电压对应的局部离群因子。可选的，计算电池单体异常指标时，还可以使用Iforest、KNN、CLOF、Entropy、Zscore、Pyod、ABOD或者PCA中的一种。

S205.根据电池单体异常指标和异常判断阈值判断单体电池状态。

图3是实施例二中的异常电池单体识别结果图，图3中异常判断阈值为2，示例性的，本步骤中通过比较电池单体异常指标和异常判断阈值判定电池单体是否异常，例如当电池单体异常指标大于异常判断阈值时则判定电池单体异常，小于异常判断阈值时则判定电池单体正常。

S206.通过单体车辆工况数据更新车辆工况数据集，根据更新后的车辆工况数据集更新异常判断阈值。

本步骤中，根据实际需求可以设定数据更新周期，周期性将单体车辆工况数据添加至车辆工况数据集中，并删除一部分过期数据，并利用更新后的车辆工况数据集重新计算异常判断阈值，以提高异常电池单体评价的准确性。

本实施例中，通过车辆在行驶过程中真实的工况数据判断电池单体是否存在异常，通过离群点检测，结合动态更新的车辆工况数据集，可以准确的识别出处于工作状态下，电池包中的异常电池单体，避免由于电池包一致性问题引发的车辆故障。

实施例三

图4是实施例三中的识别系统结构框图，参考图4，动力电池异常单体识别系统包括车联网单元100和服务器200，车联网单元100和服务器200通信连接。

车联网单元100用于发送单体车辆工况数据。

服务器200用于存储车辆工况数据集。服务器200还用于根据车辆工况数据集生成异常判断阈值；接收单体车辆工况数据，通过单体车辆工况数据以及异常判断阈值判断单体车辆的电池单体状态；通过单体车辆工况数据更新所述车辆工况数据集，根据更新后的车辆工况数据集更新异常判断阈值。

示例性的，车辆网单元100为车载T-Box，服务器200为云服务器，T-Box通过CanBus与车辆主机和控制器通信连接，接收车辆状态数据和行驶工况数据，通过GPRS网络将车辆状态数据和行驶工况数据发送到云服务器上，云服务器将上述数据整理形成车辆工况数据集。

服务器200还用于将包含异常电池单体数据的单体车辆工况数据添加至车辆工况数据集中，根据更新后的车辆工况数据集更新异常判断阈值。

示例性的，服务器200中配置有数据库，车辆工况数据集存储在数据库中。单体车辆工况数据与车辆工况数据集的数据格式相同。数据库配置有数据过期时间，当数据库中的数据存储时间超过数据过期时间时，则删除这部分数据，以保证数据的时效性。

参考图4，识别系统还包括终端300，终端300与服务器200通信连接，用于接收并展示动力电池异常单体识别结果。

示例性的，终端300可以为Web端、App端或者车辆上配置的显示屏，通过终端300可以将识别结果展示给运营商或者驾驶员。

本实施例中，服务器200可以执行实施例一以及实施例二中记载的任意一种识别方法，且起到相同的有益效果。本实施例提出的识别系统将机器学习模型以及数据库部署在云服务器中，并利用车辆在行驶过程中真实的工况数据判断电池单体是否存在异常，通过云服务器，可同时对几十万辆汽车进行电池包检测，执行效率高。通过数据库中存储的车辆车辆工况数据集，还可以通过大数据技术对数据进行分析处理，识别系统可扩展性强。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (8)

1.一种动力电池异常单体识别方法，其特征在于，包括：

根据所述车辆工况数据集生成异常判断阈值，

接收单体车辆工况数据，通过所述单体车辆工况数据以及所述异常判断阈值判断单体车辆的电池单体状态，

通过所述单体车辆工况数据更新所述车辆工况数据集，根据更新后的车辆工况数据集更新异常判断阈值。

2.如权利要求1所述的识别方法，其特征在于，所述单体车辆工况数据包括单体车辆的电池单体电压数据和车辆识别代号，

所述车辆识别代号用于区分不同单体车辆，

所述电池单体电压数据用于计算电池单体异常指标，通过所述电池单体异常指标和所述异常判断阈值判断电池单体是否存在异常。

3.如权利要求2所述的识别方法，其特征在于，采用所述单体车辆工况数据中连续的一组电池单体电压数据计算电池单体异常指标。

4.如权利要求3所述的识别方法，其特征在于，还包括对连续的一组电池单体电压数据进行预处理，以去除其中的异常跳变值，

所述单体车辆工况数据还包括充电状态，所述充电状态作为对连续的一组电池单体电压数据进行预处理时的参考量。

5.如权利要求1所述的识别方法，其特征在于，基于所述电池单体电压数据，采用离群点检测方法计算所述电池单体异常指标。

6.一种动力电池异常单体识别系统，其特征在于，包括车联网单元和服务器，所述车联网单元和所述服务器通信连接，

所述车联网单元用于发送单体车辆工况数据，

所述服务器用于存储车辆工况数据集，根据所述车辆工况数据集生成异常判断阈值；接收单体车辆工况数据，通过所述单体车辆工况数据以及所述异常判断阈值判断单体车辆的电池单体状态；通过所述单体车辆工况数据更新所述车辆工况数据集，根据更新后的车辆工况数据集更新异常判断阈值。

7.如权利要求6所述的识别系统，其特征在于，还包括终端，所述终端与所述服务器通信连接，用于接收并展示动力电池异常单体识别结果。

8.如权利要求6所述的识别系统，其特征在于，所述服务器将包含异常电池单体数据的单体车辆工况数据添加至车辆工况数据集中，根据更新后的车辆工况数据集更新异常判断阈值。

Images