CN111641236B - 基于大数据ai的动态阈值动力电池充电电压状态判断方法 - Google Patents
基于大数据ai的动态阈值动力电池充电电压状态判断方法 Download PDFInfo
- Publication number
- CN111641236B CN111641236B CN202010462224.XA CN202010462224A CN111641236B CN 111641236 B CN111641236 B CN 111641236B CN 202010462224 A CN202010462224 A CN 202010462224A CN 111641236 B CN111641236 B CN 111641236B
- Authority
- CN
- China
- Prior art keywords
- data
- value
- codisp
- model
- calculating
- 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
Links
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/007—Regulation of charging or discharging current or voltage
- H02J7/00712—Regulation of charging or discharging current or voltage the cycle being controlled or terminated in response to electric parameters
- H02J7/007182—Regulation of charging or discharging current or voltage the cycle being controlled or terminated in response to electric parameters in response to battery voltage
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
- H02J7/005—Detection of state of health [SOH]
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Abstract
本发明公开了一种基于大数据AI的动态阈值动力电池充电电压状态判断方法，其包括提取充电数据集并训练模型；实例化CoDisp值的RRCF模型；获得充电车辆的先验Codisp值：使用特征数据作为先验CoDisp值dp；使用流数据RRCF模型计算电压流数据的CoDisp值dn；结合先验CoDisp值计算修正后的流数据异常值判断标准η′n，使用s的作为宽度取时间窗口，计算窗口内CoDisp的均值
方差σwn、当前数据Codisp值dn与时间窗口均值
的距离除以方差σwn的倍数ηn，比较ηn与η′的大小，ηn＞η′则电压数据异常，否则电压数据正常，实现了异常值判定阈值的自适应调整，从而提升预警的精准度，减少误报的发生。
Description
技术领域
本发明属于电池技术领域，特别涉及一种基于大数据AI的动态阈值动力电池充电电压状态判断方法。
背景技术
作为新能源汽车动力来源的电池包，其使用寿命及安全性是新能源行业关注的重点。动力电池的使用寿命及安全性除了与电池设计、材质等自身因素有关外，在动力电池使用过程尤其是在充电过程中，由于电池内部剧烈的电化学反应，电池运行状况的有效监控显得尤为重要。专利申请号201910981877.6使用滑动窗口方式，通过计算中位数、方差等基本统计学指标在线诊断动力电池故障，该方法使用的评估指标过于简单，可能无法发现某些潜在的故障模式，并且只使用了窗口内局部数据的信息，缺乏使用整体性信息的机制。根据已查到的单体电压相关专利，大多属于硬件电路相关发明，而单体电压算法相关专利又大多只关注于单体电池的某一具体问题点，在模型数据特征选择上也多存在数据维度过于简单的问题。因此如何能够根据电压变化对电池充电过程中的异常及时检测并发出预警是目前亟需解决的问题。
发明内容
本发明的目的是提供一种基于大数据AI的动态阈值动力电池充电电压状态判断方法，有助于及时调整电池控制策略，从而保持动力电池的健康运行，保证电池优良性能的持久性和使用过程中的安全性。
为解决上述技术问题，本发明采用如下技术方案：一种基于大数据AI的动态阈值动力电池充电电压状态判断方法，其包括以下步骤：
A：从充电大数据集中提取充电数据集并训练先验模型：
1)使用充电过程的数据作为模型使用的数据，包含用来计算训练模型目标值的全部单体电压字段，以及用来作为数据集特征的特征字段；
2)使用所述电压字段和特征字段作为基础特征，使用特征工程技术扩充特征数量并形成扩充特征，将基础特征和扩充特征合并作为先验模型的完整特征；
3)采用RRCF方法，使用n作为树的数量参数、s作为每棵树的尺寸创建RRCF模型；
4)使用充电过程中全部单体电压作为输入特征，批量计算一个完整充电过程中数据的CoDisp值作为异常检测值，并计算出这些CoDisp值的标准差作为先验模型数据的目标值；
5)将数据集分为训练集、验证集、测试集训练回归模型，并计算模型在测试集上的R方值r2作为该模型的预测能力指标；
B：实例化用于计算电压流数据CoDisp值的RRCF模型，这里的实例化所用参数与步骤A1中的RRCF模型参数相同；
C：获得当前充电车辆的先验Codisp值：获取充电车辆的特征字段对应的特征数据；并使用特征数据作为输入用先验回归模型计算该车辆的先验CoDisp值dp；
D：使用步骤B中创建的流数据RRCF模型计算电压流数据的CoDisp值dn；
E：根据公式使用流数据CoDisp结合先验CoDisp值计算修正后的流数据异常值判断标准η′n，所述公式为：
其中，r2是先验回归模型的R方预测值，g是流数据平均时间间隔，n是流数据次序号，s是RRCF中树的尺寸，η是指定的异常值判断标准；
F：使用RRCF中树的尺寸s的作为宽度取时间窗口，计算窗口内CoDisp的均值
和方差σwn，并计算当前数据Codisp值dn与时间窗口均值
的距离除以方差σwn的倍数ηn，即：
G：比较ηn与η′的大小，如果ηn小于或等于η′则当前电压数据为正常值，否则电压数据异常。
优化的，所述特征字段包括：充电时间、累计里程、总电压、总电流、SOC、SOH、剩余里程、充电安时、电机扭矩、单体电池总数、经度、纬度。
优化的，采用的具体回归模型为统计机器学习方法或深度学习方法。
进一步的，所述统计机器学习方法包括线性回归、SVR或随机森林学习方法。
进一步的，所述深度学习方法包括CNN、RNN学习方法。
本发明的有益效果在于：本发明使用AI方法从大数据中提取电压信息，作为电压流数据的整体性先验知识，并结合滑动窗口的实时分析结果动态调整异常判定阈值，为滑动窗口数据异常值的判定提供了整体性的先验知识，实现了异常值判定阈值的自适应调整，从而提升预警的精准度，减少误报的发生，有助于及时调整电池控制策略，从而保持动力电池的健康运行，保证电池优良性能的持久性和使用过程中的安全性。从大数据中提取数据建立先验模型。
附图说明
附图1为本发明的流程图。
具体实施方式
下面结合附图所示的实施例对本发明作以下详细描述：
基于大数据AI的动态阈值动力电池充电电压状态判断方法，其包括以下步骤：
A：从充电大数据集中提取充电数据集并训练先验模型：
1)使用充电过程的数据作为模型使用的数据，包含用来计算训练模型目标值的全部单体电压字段，以及用来作为数据集特征的特征字段：充电时间、累计里程、总电压、总电流、SOC、SOH、剩余里程、充电安时、电机扭矩、单体电池总数、经度、纬度；
2)使用所述电压字段和特征字段作为基础特征，使用特征工程技术扩充特征数量并形成扩充特征，将基础特征和扩充特征合并作为先验模型的完整特征；
3)采用RRCF(Robust Random Cut Forest)方法，使用n作为树的数量参数、s作为每棵树的尺寸创建RRCF模型；
4)使用充电过程中全部单体电压作为输入特征，批量计算一个完整充电过程中数据的CoDisp(collusive displacement)值作为异常检测值，并计算出这些CoDisp值的标准差作为先验模型数据的目标值；
5)将数据集分为训练集、验证集、测试集训练回归模型，并计算模型在测试集上的R方值r2作为该模型的预测能力指标；这里采用的具体回归模型即可以是线性回归、SVR、随机森林等统计机器学习方法，也可以采用CNN、RNN等深度学习方法，原则上具有较强的预测能力即可；
B：实例化用于计算电压流数据CoDisp值的RRCF模型，这里的实例化所用参数与步骤A1中的RRCF模型参数相同；
C：获得当前充电车辆的先验Codisp值：获取充电车辆的特征字段对应的特征数据；并使用特征数据作为输入用先验回归模型计算该车辆的先验CoDisp值dp；
D：使用步骤B中创建的流数据RRCF模型计算电压流数据的CoDisp值dn；
E：根据公式使用流数据CoDisp结合先验CoDisp值计算修正后的流数据异常值判断标准η′n，所述公式为：
其中，r2是先验回归模型的R方预测值，g是流数据平均时间间隔，n是流数据次序号，s是RRCF中树的尺寸，η是指定的异常值判断标准；
F：使用RRCF中树的尺寸s的作为宽度取时间窗口，计算窗口内CoDisp的均值
和方差σwn，并计算当前数据Codisp值dn与时间窗口均值
的距离除以方差σwn的倍数ηn，即：
G：比较ηn与η′的大小，如果ηn小于或等于η′则当前电压数据为正常值，否则电压数据异常。
本发明基于滑动时间窗口的流数据异常检测方法，存在“视野”宽度的问题，主要表现在：1.在开始阶段，滑动时间窗口未填满时，输出结果会有较大波动性；2.输出只是局部时间区域内的分析结果，和整体分析结果存在一定差异，如果使用固定阈值方法(比如3sigma)判断异常值，即便正常波动范围内的数据变化，在窗口“视野”内也仍然难免有超出固定阈值的数据。
从大数据中提取数据建立先验模型，为滑动窗口数据异常值的判定提供了整体性的先验知识，实现了异常值判定阈值的自适应调整，从而使得动力电池的异常判断更加精准，进而减少误判导致的预警。
上述实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人士能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神所作的等效变化或修饰，都应涵盖在本发明的保护范围之内。
Claims (5)
1.一种基于大数据AI的动态阈值动力电池充电电压状态判断方法，其特征在于，其包括以下步骤：
A：从充电大数据集中提取充电数据集并训练先验模型：
1)使用充电过程的数据作为模型使用的数据，包含用来计算训练模型目标值的全部单体电压字段，以及用来作为数据集特征的特征字段；
2)使用所述电压字段和特征字段作为基础特征，使用特征工程技术扩充特征数量并形成扩充特征，将基础特征和扩充特征合并作为先验模型的完整特征；
3)采用RRCF方法，使用n作为树的数量参数、s作为每棵树的尺寸创建RRCF模型；
4)使用充电过程中全部单体电压作为输入特征，批量计算一个完整充电过程中数据的CoDisp值作为异常检测值，并计算出这些CoDisp值的标准差作为先验模型数据的目标值；
5)将数据集分为训练集、验证集、测试集训练回归模型，并计算模型在测试集上的R方值r2作为该模型的预测能力指标；
B：实例化用于计算电压流数据CoDisp值的RRCF模型，这里的实例化所用参数与步骤A1中的RRCF模型参数相同；
C：获得当前充电车辆的先验Codisp值：获取充电车辆的特征字段对应的特征数据；并使用特征数据作为输入用先验回归模型计算该车辆的先验CoDisp值dp；
D：使用步骤B中创建的流数据RRCF模型计算电压流数据的CoDisp值dn；
E：根据公式使用流数据CoDisp结合先验CoDisp值计算修正后的流数据异常值判断标准η′n，所述公式为：
其中，r2是先验回归模型的R方预测值，g是流数据平均时间间隔，n是流数据次序号，s是RRCF中树的尺寸，η是指定的异常值判断标准；
F：使用RRCF中树的尺寸s的作为宽度取时间窗口，计算窗口内CoDisp的均值
和方差σwn，并计算当前数据Codisp值dn与时间窗口均值
的距离除以方差σwn的倍数ηn，即：
G：比较ηn与η′的大小，如果ηn小于或等于η′则当前电压数据为正常值，否则电压数据异常。
2.根据权利要求1所述的基于大数据AI的动态阈值动力电池充电电压状态判断方法，其特征在于：所述特征字段包括：充电时间、累计里程、总电压、总电流、SOC、SOH、剩余里程、充电安时、电机扭矩、单体电池总数、经度、纬度。
3.根据权利要求1所述的基于大数据AI的动态阈值动力电池充电电压状态判断方法，其特征在于：采用的具体回归模型为统计机器学习方法或深度学习方法。
4.根据权利要求3所述的基于大数据AI的动态阈值动力电池充电电压状态判断方法，其特征在于：所述统计机器学习方法包括线性回归、SVR或随机森林学习方法。
5.根据权利要求3所述的基于大数据AI的动态阈值动力电池充电电压状态判断方法，其特征在于：所述深度学习方法包括CNN、RNN学习方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010462224.XA CN111641236B (zh) | 2020-05-27 | 2020-05-27 | 基于大数据ai的动态阈值动力电池充电电压状态判断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010462224.XA CN111641236B (zh) | 2020-05-27 | 2020-05-27 | 基于大数据ai的动态阈值动力电池充电电压状态判断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111641236A CN111641236A (zh) | 2020-09-08 |
| CN111641236B true CN111641236B (zh) | 2023-04-14 |
Family
ID=72332913
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010462224.XA Active CN111641236B (zh) | 2020-05-27 | 2020-05-27 | 基于大数据ai的动态阈值动力电池充电电压状态判断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111641236B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112685950B (zh) * | 2020-12-02 | 2022-05-20 | 山东省计算中心（国家超级计算济南中心） | 一种海洋时序观测数据的异常检测方法、系统和设备 |
| CN114239724B (zh) * | 2021-12-17 | 2023-04-18 | 中南民族大学 | 一种基于惯性传感器的蹴球动作识别与技能评估方法 |
| CN114579644B (zh) * | 2022-05-06 | 2022-07-22 | 中国汽车技术研究中心有限公司 | 基于深度学习的电池有效充电数据识别方法、设备和介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103345593A (zh) * | 2013-07-31 | 2013-10-09 | 哈尔滨工业大学 | 面向传感器单数据流的聚集异常检测方法 |
| CN103974311A (zh) * | 2014-05-21 | 2014-08-06 | 哈尔滨工业大学 | 基于改进高斯过程回归模型的状态监测数据流异常检测方法 |
| WO2017065959A2 (en) * | 2015-09-25 | 2017-04-20 | Veracyte, Inc. | Methods and compositions that utilize transcriptome sequencing data in machine learning-based classification |
| CN207398909U (zh) * | 2017-09-14 | 2018-05-22 | 特斯联（北京）科技有限公司 | 一种智能供电设备 |
| CN108369218A (zh) * | 2015-12-08 | 2018-08-03 | 国立研究开发法人物质材料研究机构 | 以烃基修饰的微粒为受体层的燃料油识别传感器及燃料油识别方法 |
| CN110239394A (zh) * | 2019-06-25 | 2019-09-17 | 章礼道 | 基于5G-IoT高精度温度传感器的电动乘用车智能电池管理系统 |
| CN110907833A (zh) * | 2019-10-16 | 2020-03-24 | 北京理工大学 | 一种基于滑动窗口的动力电池故障诊断方法 |
| CN111044928A (zh) * | 2019-12-31 | 2020-04-21 | 福州大学 | 一种锂电池健康状态估计方法 |
-
2020
- 2020-05-27 CN CN202010462224.XA patent/CN111641236B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103345593A (zh) * | 2013-07-31 | 2013-10-09 | 哈尔滨工业大学 | 面向传感器单数据流的聚集异常检测方法 |
| CN103974311A (zh) * | 2014-05-21 | 2014-08-06 | 哈尔滨工业大学 | 基于改进高斯过程回归模型的状态监测数据流异常检测方法 |
| WO2017065959A2 (en) * | 2015-09-25 | 2017-04-20 | Veracyte, Inc. | Methods and compositions that utilize transcriptome sequencing data in machine learning-based classification |
| CN108369218A (zh) * | 2015-12-08 | 2018-08-03 | 国立研究开发法人物质材料研究机构 | 以烃基修饰的微粒为受体层的燃料油识别传感器及燃料油识别方法 |
| CN207398909U (zh) * | 2017-09-14 | 2018-05-22 | 特斯联（北京）科技有限公司 | 一种智能供电设备 |
| CN110239394A (zh) * | 2019-06-25 | 2019-09-17 | 章礼道 | 基于5G-IoT高精度温度传感器的电动乘用车智能电池管理系统 |
| CN110907833A (zh) * | 2019-10-16 | 2020-03-24 | 北京理工大学 | 一种基于滑动窗口的动力电池故障诊断方法 |
| CN111044928A (zh) * | 2019-12-31 | 2020-04-21 | 福州大学 | 一种锂电池健康状态估计方法 |
Non-Patent Citations (1)
| Title |
|---|
| 徐雪松.时间序列不确定数据流中异常数据检测方法.《电子设计工程》.2011,全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111641236A (zh) | 2020-09-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111641236B (zh) | 基于大数据ai的动态阈值动力电池充电电压状态判断方法 | |
| CN110018425B (zh) | 一种动力电池故障诊断方法及系统 | |
| CN110161414B (zh) | 一种动力电池热失控在线预测方法及系统 | |
| CN112505549B (zh) | 基于孤立森林算法的新能源汽车电池异常检测方法 | |
| CN110008235A (zh) | 动力电池健康度评价方法、装置及系统 | |
| CN112327167B (zh) | 一种电池容量跳水风险评估方法及系统 | |
| CN110148991B (zh) | 一种基于大数据的电池过充预警方法及系统 | |
| CN110920400B (zh) | 纯电动汽车的电池系统一致性故障诊断与整车处理方法 | |
| CN113075554A (zh) | 一种基于运行数据的锂离子电池组不一致性辨识方法 | |
| CN110712528B (zh) | 一种动力电池组实时监控方法及设备 | |
| CN114430080A (zh) | 一种基于运行数据的动力电池电芯异常自放电的识别方法 | |
| CN113253128B (zh) | 一种电池系统soc一致性评估方法和内阻一致性评估方法 | |
| CN114801751A (zh) | 一种基于数据分析的汽车电池故障预测系统 | |
| CN111983463B (zh) | 一种电动汽车用锂离子电池剩余电量预警诊断测试方法 | |
| US11573271B1 (en) | Battery fault detection | |
| CN111562508A (zh) | 在线检测电池包内部单体电池内阻异常的方法 | |
| CN114290954A (zh) | 基于压差分析的电池一致性监控方法、系统及车辆 | |
| CN116736142B (zh) | 一种电池组健康状况预警的方法、系统及装置 | |
| CN116699407A (zh) | 一种基于安全熵的动力电池安全风险预警方法 | |
| EP3862765B1 (en) | Battery degradation evaluation system, battery degradation evaluation method, and battery degradation evaluation program | |
| CN114879049A (zh) | 动力电池一致性安全状态评估方法 | |
| CN114636930A (zh) | 一种电池自放电故障预警方法 | |
| CN114062943B (zh) | 一种锂离子电池系统极化异常预警方法及系统 | |
| CN117341476B (zh) | 一种电池压差故障预警方法及系统 | |
| CN116187805A (zh) | 一种新能源汽车动力系统运行指标风险量化方法 |
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 |