CN111707951B - 一种电池组一致性评估方法及系统 - Google Patents
一种电池组一致性评估方法及系统 Download PDFInfo
- Publication number
- CN111707951B CN111707951B CN202010572859.5A CN202010572859A CN111707951B CN 111707951 B CN111707951 B CN 111707951B CN 202010572859 A CN202010572859 A CN 202010572859A CN 111707951 B CN111707951 B CN 111707951B
- Authority
- CN
- China
- Prior art keywords
- battery
- voltage
- open
- circuit voltage
- estimated 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
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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
-
- 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]
- G01R31/389—Measuring internal impedance, internal conductance or related variables
-
- 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
Abstract
本发明提供了一种电池组一致性评估方法及系统,方法包括:基于满电静置片段,通过电池单体电压提取电池单体的开路电压;基于行驶片段,针对电池单体建立等效电路模型,采用自适应OCV‑RLS方法对电池单体进行参数辨识,并提取每个电池单体的欧姆内阻;基于恒流充电片段,计算各电池单体的充电电压向量范数;根据各电池单体的开路电压、欧姆内阻和充电电压向量范数,结合马氏距离与DBSCAN聚类算法计算各评估点处各待测电池组的一致性;根据各评估点处所有待测电池组的一致性计算各评估点处待测电池组的Z分数;根据Z分数确定待测电池组的一致性。本发明基于自适应OCV‑RLS方法实现对异常OCV辨识值进行补偿,进而提高电池组一致性评估结果的准确性。
Description
技术领域
本发明涉及电池评估技术领域,特别是涉及一种电池组一致性评估方法及系统。
背景技术
锂离子电池由于其能量密度高、循环寿命长、自放电率低等特点,逐渐成为目前应用最为广泛的电动汽车动力电池类型。为满足电动汽车长续航和高功率的使用要求,车载锂离子动力电池组通常由若干个电池单体串并联而成。由于制造和使用过程的差异,车载动力电池组内大量电池单体不可避免地会存在性能不一致的问题,其具有多方面表征,如容量不一致、内阻不一致、电压不一致等。电池组不一致性是影响电动汽车使用性能和安全性的重要因素,为避免不一致引起的热失控和延缓不一致扩展,需在动力电池组使用过程中,对其一致性进行评估。
现有电动汽车动力电池组一致性的评估方法主要有单参数评估法、多参数评估法等。单参数评估法主要是通过实验手段测定电池单体的容量、内阻以及 SOC等参数,并计算其标准差、极差等统计量,从而表征电池组不一致性。这些参数的计算一般需要用到精密的测量仪器,并需要在特定的环境和工况下进行。近年来,有学者在文献中提出了多参数评估法,例如,利用熵权重法对动力电池组的容量、内阻等参数赋予不同的权重,进而评估电池组不一致性,或通过二维图形对电池的二参数不一致性进行评估等。
现有电池组一致性评估技术存在的不足主要有以下几点:
(1)评估所需参数无法在线测量。现有文献和专利中的一致性评估方法所采用的容量、SOC、恒流恒压充电时间比等参数,需要精密的实验器材,而且需要特定的充放电工况,在电动汽车应用过程中难以测量,导致无法进行实际的应用。
(2)评估参数单一。电动汽车动力电池组在充电、放电以及静置工况下的特性不同,导致电池组的不一致性具有多参数耦合特性。因此,仅通过单一参数无法综合表征电池组多参数耦合不一致特性,而通过简单的加权方式对多参数不一致进行综合,存在评估不准确的问题。
发明内容
基于此,本发明的目的是提供一种电池组一致性评估方法及系统,以提高评估结果的准确性。
为实现上述目的,本发明提供了一种电池组一致性评估方法,所述方法包括:
步骤S1:对车辆状态进行划分,获得满电静置片段、行驶片段以及恒流充电片段;
步骤S2:基于所述满电静置片段,通过电池单体电压提取电池单体的开路电压;
步骤S3:基于所述行驶片段,针对电池单体建立等效电路模型,采用自适应OCV-RLS方法对电池单体进行参数辨识,并提取每个电池单体的欧姆内阻;
步骤S4:基于所述恒流充电片段,计算各电池单体的充电电压向量范数;
步骤S5:根据各电池单体的开路电压、欧姆内阻和充电电压向量范数,结合马氏距离与DBSCAN聚类算法计算各评估点处各待测电池组的一致性;
步骤S6:根据各评估点处所有待测电池组的一致性计算各评估点处待测电池组的Z分数;
步骤S7:根据Z分数确定待测电池组的一致性。
可选的,所述基于所述行驶片段,针对电池单体建立等效电路模型,采用自适应OCV-RLS方法对电池单体进行参数辨识,并提取每个电池单体的欧姆内阻,具体包括:
步骤S31:确定待辨识参数估计公式;
步骤S32:采用差分电压方法确定初始时间步的电池开路电压估计值;
步骤S33:给定初始时间步的误差协方差矩阵和待辨识参数矩阵;
步骤S34:将第k-1时间步的误差协方差矩阵和待辨识参数矩阵代入所述待辨识参数估计公式,确定第k时间步的待辨识参数矩阵估计和误差协方差矩阵;
步骤S35:根据第k时间步的待辨识参数矩阵计算第k时间步的电池开路电压估计值;
步骤S36:判断第k时间步的电池开路电压估计值是否满足电压异常判断规则;如果满足电压异常判断规则,则执行步骤S37;如果不满足电压异常判断规则,则执行步骤S38;所述电压异常判断规则为:定义电池放电电流为正,充电电流为负,当电池放电电流Ik为正时,电池开路电压估计值小于等于此刻的端电压,或大于前一时刻的电池开路电压估计值;若电池放电电流Ik为负时,电池开路电压估计值大于等于此刻的端电压,或小于前一时刻的电池开路电压估计值;
步骤S37:采用差分电压方法确定第k时间步的电池开路电压估计值,根据第k时间步的电池开路电压估计值更新待辨识参数矩阵估计值,并执行步骤 S38;
步骤S38:判断k是否小于或等于时间步总数n;如果k小于或等于n,则令k=k+1,并返回步骤S34;如果k大于n,则将辨识得到的每个电池单体的欧姆内阻输出。
可选的,所述采用差分电压方法确定第k时间步的电池开路电压估计值,具体包括:
步骤S371:计算两个数据帧之间的电压差和电流差;
步骤S372:以设定帧数据为一组,利用多个电压差和电流差构成的二维散点图,并对所述二维散点图进行线性回归分析,获得线性回归直线;
步骤S373:计算所述线性回归直线的斜率,并将所述斜率作为电池单体的内阻;
步骤S374:基于所述电池单体的内阻计算电池开路电压估计值。
可选的,所述根据各电池单体的开路电压、欧姆内阻和充电电压向量范数,结合马氏距离与DBSCAN聚类算法计算各评估点处各待测电池组的一致性,具体包括:
步骤S51:基于设定时间内所有车辆各电池单体对应的开路电压、欧姆内阻和充电电压向量范数构成第一评估参数矩阵;
步骤S52:采用DBSCAN聚类算法,根据所述第一评估参数矩阵删除离群的电池单体,并获得第二评估参数矩阵;
步骤S53:根据所述第二评估参数矩阵计算剩余电池单体的协方差矩阵;
步骤S54:在每一个评估点,根据待测车辆的当前评估参数矩阵,采用 DBSCAN聚类算法删除离群的电池单体,并获得第三评估参数矩阵;
步骤S55:根据所述第三评估参数矩阵计算在m个参数上的平均值,获得数据中心点;
步骤S56:基于所述协方差矩阵与所述数据中心点确定各电池单体与数据中心点之间的马氏距离;
步骤S57:基于各电池单体与数据中心点之间的马氏距离计算各评估点处各待测电池组的一致性。
可选的,所述对车辆状态进行划分,获得满电静置片段、行驶片段以及恒流充电片段,具体包括:
步骤S11:从大数据平台采集的车辆时间序列数据,所述车辆时间序列数据包括车辆速度、经纬度、SOC、电池组总电压、总电流和单体电压;
步骤S12:基于所述车辆时间序列数据选取满足满电静置要求的连续时间序列片段作为满电静置片段;所述满电静置要求为连续1小时以上速度为零、电流为零,且SOC等于100%的数据点;
步骤S13:基于所述车辆时间序列数据选取满足行驶要求的连续时间序列片段作为行驶片段;所述行驶要求为第一特定SOC区间的行驶数据片段;
步骤S14:基于所述车辆时间序列数据选取满足恒流充电要求的连续时间序列片段作为恒流充电片段;所述恒流充电要求为在第二特定SOC区间内充电电流为恒定值。
本发明还提供一种电池组一致性评估系统,所述系统包括:
状态划分模块,用于对车辆状态进行划分,获得满电静置片段、行驶片段以及恒流充电片段;
开路电压确定模块,用于基于所述满电静置片段,通过电池单体电压提取电池单体的开路电压;
欧姆内阻确定模块,用于基于所述行驶片段,针对电池单体建立等效电路模型,采用自适应OCV-RLS方法对电池单体进行参数辨识,并提取每个电池单体的欧姆内阻;
范数确定模块,用于基于所述恒流充电片段,计算各电池单体的充电电压向量范数;
第一一致性确定模块,用于根据各电池单体的开路电压、欧姆内阻和充电电压向量范数,结合马氏距离与DBSCAN聚类算法计算各评估点处各待测电池组的一致性;
Z分数确定模块,用于根据各评估点处所有待测电池组的一致性计算各评估点处待测电池组的Z分数;
第二一致性确定模块,用于根据Z分数确定待测电池组的一致性。
可选的,所述欧姆内阻确定模块,具体包括:
待辨识参数估计公式确定单元,用于确定待辨识参数估计公式;
初始时间步的电池开路电压估计值确定单元,用于采用差分电压方法确定初始时间步的电池开路电压估计值;
给定单元,用于给定初始时间步的误差协方差矩阵和待辨识参数矩阵;
参数确定单元,用于将第k-1时间步的误差协方差矩阵和待辨识参数矩阵代入所述待辨识参数估计公式,确定第k时间步的待辨识参数矩阵估计和误差协方差矩阵;
第k时间步的电池开路电压估计值确定单元,用于根据第k时间步的待辨识参数矩阵计算第k时间步的电池开路电压估计值;
判断单元,用于判断第k时间步的电池开路电压估计值是否满足电压异常判断规则;如果满足电压异常判断规则,则执行“更新单元”;如果不满足电压异常判断规则,则执行“第二判断单元”;所述电压异常判断规则为:定义电池放电电流为正,充电电流为负,当电池放电电流Ik为正时,电池开路电压估计值小于等于此刻的端电压,或大于前一时刻的电池开路电压估计值;若电池放电电流Ik为负时,电池开路电压估计值大于等于此刻的端电压,或小于前一时刻的电池开路电压估计值;
更新单元,用于采用差分电压方法确定第k时间步的电池开路电压估计值,根据第k时间步的电池开路电压估计值更新待辨识参数矩阵估计值,并执行“第二判断单元”;
第二判断单元,用于判断k是否小于或等于时间步总数n;如果k小于或等于n,则令k=k+1,并返回“参数确定单元”;如果k大于n,则将辨识得到的每个电池单体的欧姆内阻输出。
可选的,所述更新单元,具体包括:
电压差和电流差确定子单元,用于计算两个数据帧之间的电压差和电流差;
线性回归分析子单元,用于以设定帧数据为一组,利用多个电压差和电流差构成的二维散点图,并对所述二维散点图进行线性回归分析,获得线性回归直线;
斜率计算确定子单元,用于计算所述线性回归直线的斜率,并将所述斜率作为电池单体的内阻;
电池开路电压估计值确定子单元,用于基于所述电池单体的内阻计算电池开路电压估计值;
更新子单元,用于根据电池开路电压估计值更新待辨识参数矩阵估计值。
可选的,所述第一一致性确定模块,具体包括:
第一评估参数矩阵确定单元,用于基于设定时间内所有车辆各电池单体对应的开路电压、欧姆内阻和充电电压向量范数构成第一评估参数矩阵;
第二评估参数矩阵确定单元,用于采用DBSCAN聚类算法,根据所述第一评估参数矩阵删除离群的电池单体,并获得第二评估参数矩阵;
协方差矩阵确定单元,用于根据所述第二评估参数矩阵计算剩余电池单体的协方差矩阵;
第三评估参数矩阵确定单元,用于在每一个评估点,根据待测车辆的当前评估参数矩阵,采用DBSCAN聚类算法删除离群的电池单体,并获得第三评估参数矩阵;
数据中心点确定单元,用于根据所述第三评估参数矩阵计算在m个参数上的平均值,获得数据中心点;
马氏距离确定单元,用于基于所述协方差矩阵与所述数据中心点确定各电池单体与数据中心点之间的马氏距离;
第一一致性确定单元,用于基于各电池单体与数据中心点之间的马氏距离计算各评估点处各待测电池组的一致性。
可选的,所述状态划分模块,具体包括:
车辆时间序列数据获取单元,用于从大数据平台采集的车辆时间序列数据,所述车辆时间序列数据包括车辆速度、经纬度、SOC、电池组总电压、总电流和单体电压;
满电静置片段确定单元,用于基于所述车辆时间序列数据选取满足满电静置要求的连续时间序列片段作为满电静置片段;所述满电静置要求为连续1 小时以上速度为零、电流为零,且SOC等于100%的数据点;
行驶片段确定单元,用于基于所述车辆时间序列数据选取满足行驶要求的连续时间序列片段作为行驶片段;所述行驶要求为第一特定SOC区间的行驶数据片段;
恒流充电片段确定单元,用于基于所述车辆时间序列数据选取满足恒流充电要求的连续时间序列片段作为恒流充电片段;所述恒流充电要求为在第二特定SOC区间内充电电流为恒定值。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供了一种电池组一致性评估方法及系统,方法包括:对车辆状态进行划分,获得满电静置片段、行驶片段以及恒流充电片段;基于所述满电静置片段,通过电池单体电压提取电池单体的开路电压;基于行驶片段,针对电池单体建立等效电路模型,采用自适应OCV-RLS方法对电池单体进行参数辨识,并提取每个电池单体的欧姆内阻;基于恒流充电片段,计算各电池单体的充电电压向量范数;根据各电池单体的开路电压、欧姆内阻和充电电压向量范数,结合马氏距离与DBSCAN聚类算法计算各评估点处各待测电池组的一致性;根据各评估点处所有待测电池组的一致性计算各评估点处待测电池组的Z 分数;根据Z分数确定待测电池组的一致性。本发明基于自适应OCV-RLS方法实现对异常OCV辨识值进行补偿,进而提高电池组一致性评估结果的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例电池组一致性评估方法流程图;
图2为本发明实施例各评估点处各待测电池组的一致性评估结果示意图;
图3为本发明实施例Z分数一致性评估示意图;
图4为本发明实施例等效电路模型;
图5为本发明实施例RLS方法和自适应OCV-RLS方法对比图;
图6为本发明实施例自适应OCV-RLS流程图;
图7为本发明实施例马氏距离与欧氏距离的对比图;
图8为本发明实施例电池组一致性评估系统结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
本发明的目的是提供一种电池组一致性评估方法及系统,以提高评估结果的准确性。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
(1)BMS:电池管理系统(Battery Management System,简称BMS),一般包括电池状态估计、热管理、均衡等功能。
(2)马氏距离:马哈拉诺比斯距离(Mahalanobis Distance),是一种距离的度量,可以看作是欧氏距离的一种修正,修正了欧式距离中各个维度尺度不一致且相关的问题,常被用作评定数据之间相似度的指标。
(3)DBSCAN:一种基于密度的非参数聚类方法,它将数据集划分为核心点、边界点和噪声点,进而进行聚类,它具有较好的离群点检测能力,适用于凸样本集和非凸样本集。
(4)SOC:电池单体荷电状态(State ofCharge,简称SOC),描述了电池的剩余电量,其值为电池在一定放电倍率下,剩余电量与相同条件下额定容量的比值。
(5)OCV:开路电压(Open CircuitVoltage,简称OCV),电化学平衡状态下,电池正负两极的电势差。
(6)NCV:充电电压向量范数(Norm ofChargeVoltage,简称NCV),充电工况下,一段时间内电池电压组成的充电电压向量范数。
(7)RLS:递推最小二乘算法(Recursive Least Squares algorithm,简称 RLS)。
如图1所示,本发明公开一种电池组一致性评估方法,所述方法包括:
步骤S1:对车辆状态进行划分,获得满电静置片段、行驶片段以及恒流充电片段。
步骤S2:基于所述满电静置片段,通过电池单体电压提取电池单体的开路电压。
步骤S3:基于所述行驶片段,针对电池单体建立等效电路模型,采用自适应OCV-RLS方法对电池单体进行参数辨识,并提取每个电池单体的欧姆内阻;自适应OCV-RLS方法为自适应开路电压OCV-遗忘因子递推最小二乘法 RLS相结合的方法。
步骤S4:基于所述恒流充电片段,计算各电池单体的充电电压向量范数。
步骤S5:根据各电池单体的开路电压、欧姆内阻和充电电压向量范数,结合马氏距离与DBSCAN聚类算法计算各评估点处各待测电池组的一致性。
步骤S6:根据各评估点处所有待测电池组的一致性计算各评估点处待测电池组的Z分数。
步骤S7:根据Z分数确定待测电池组的一致性。
下面对各个步骤进行详细论述:
步骤S1:对车辆状态进行划分,获得满电静置片段、行驶片段以及恒流充电片段,具体包括:
步骤S11:从大数据平台采集车辆时间序列数据,所述车辆时间序列数据包括车辆速度、经纬度、SOC、电池组总电压、总电流和单体电压。
步骤S12:基于所述车辆时间序列数据选取满足满电静置要求的连续时间序列片段作为满电静置片段;所述满电静置要求为连续1小时以上速度为零、电流为零,且SOC等于100%的数据点。
步骤S13:基于所述车辆时间序列数据选取满足行驶要求的连续时间序列片段作为行驶片段;所述行驶要求为第一特定SOC区间的行驶数据片段,第一特定SOC区间是按照车辆行驶状态数据的SOC分布确定。作为实施例,第一特定SOC区间可取为80%~50%。
步骤S14:基于所述车辆时间序列数据选取满足恒流充电要求的连续时间序列片段作为恒流充电片段;所述恒流充电要求为在第二特定SOC区间内充电电流为恒定值,第二特定SOC区间和恒定电流值的选取均由车辆充电状态电池SOC分布和电流分布确定的。作为实施例,第二特定SOC区间可取为 60%~80%,恒定电流值可取为16A。
本发明提取满电静置片段、行驶片段以及恒流充电片段作为后续一致性评估的数据基础。
步骤S3:基于所述行驶片段,针对电池单体建立等效电路模型,采用自适应OCV-RLS方法对电池单体进行参数辨识,并提取每个电池单体的欧姆内阻IR。自适应开路电压的遗忘因子递推最小二乘法简称自适应OCV-RLS。
为在线辨识车辆电池组内阻不一致性情况,需要建立电池模型。考虑模型精度、计算复杂度以及实车应用可行性,综合对比分析经验模型、电化学模型以及等效电路模型,本发明最终采用戴维南等效电路单体电池模型,如图4 所示。
然而,受模型协方差的累积效应和数据传输误差的限制,RLS方法时常难以正确估计等效电路模型中的开路电压OCV,表现为两种类型的故障,如图5 所示。图5(a)中,传统的RLS方法估计的OCV波动很大,在图5(b)中,估计的OCV有一些缺失值,这会降低参数识别的稳定性。因此,引入了差分电压(DV)方法来补偿估计误差。
图6为本发明实施例自适应OCV-RLS流程图,如图6所示,步骤S3具体包括:
步骤S31:确定待辨识参数估计公式,具体包括:
步骤S311:根据基尔霍夫定律,构建等效电路模型的动态方程,具体公式为:
其中,Ut(t)表示第t时刻电池端电压,I(t)表示第t时刻电池电流,R0表示欧姆内阻,UOCV(t)表示第t时刻电池开路电压,RP表示电池极化内阻,Cp表示极化电容,UP(t)表示第t时刻极化电压。
步骤S312:将动态方程转化为状态空间方程,并进行离散化,获得离散方程,具体公式为:
其中,T表示采样间隔,Ut,k表示第k时间步的电池端电压,Ik表示第k 时间步的电池电流,Uocv,k表示第k时间步的电池开路电压,下角标k表示离散时间序号,也称为时间步。
步骤S313:简化离散方程,具体公式为:
步骤S314:基于简化后的离散方程,采用具有遗忘因子的递推最小二乘法(RLS)确定待辨识参数估计公式,具体公式为:
步骤S32:采用差分电压方法确定初始时间步的电池开路电压估计值。
步骤S33:给定初始时间步的误差协方差矩阵和待辨识参数矩阵。
步骤S34:将第k-1时间步的误差协方差矩阵和待辨识参数矩阵代入所述待辨识参数估计公式,确定第k时间步的待辨识参数矩阵估计和误差协方差矩阵;也就是说,当k为1时,则第k-1时间步为初始时间步。
步骤S35:根据第k时间步的待辨识参数矩阵计算第k时间步的电池开路电压估计值。
步骤S36:判断第k时间步的电池开路电压估计值是否满足电压异常判断规则;如果满足电压异常判断规则,则执行步骤S37;如果不满足电压异常判断规则,则执行步骤S38。电压异常判断规则为:定义电池放电电流为正,充电电流为负,当电池放电电流Ik为正时,电池开路电压估计值小于等于此刻的端电压,或大于前一时刻的电池开路电压估计值;若电池放电电流Ik为负时,电池开路电压估计值大于等于此刻的端电压,或小于前一时刻的电池开路电压估计值。本发明当电流为正时,其端电压应该低于开路电压;而当电流为负时,端电压应该高于开路电压。
步骤S37:采用差分电压方法确定第k时间步的电池开路电压估计值,根据第k时间步的电池开路电压估计值更新待辨识参数矩阵估计值,并执行步骤 S38。
步骤S38:判断k是否小于或等于时间步总数n;如果k小于或等于n,则令k=k+1,并返回步骤S34;如果k大于n,则将辨识得到的每个电池单体的欧姆内阻输出。
步骤S37:采用差分电压方法确定第k时间步的电池开路电压估计值,具体包括:
步骤S371:计算两个数据帧之间的电压差ΔU和电流差ΔI。
步骤S372:以设定帧数据为一组,利用多个电压差ΔU和电流差ΔI构成的二维散点图,并对二维散点图进行线性回归分析,获得线性回归直线。
步骤S373:计算线性回归直线的斜率,并将斜率作为电池单体的内阻。
步骤S374:基于电池单体的内阻计算电池开路电压估计值,具体公式为:
步骤S4:基于所述恒流充电片段,计算各电池单体的充电电压向量范数 NCV,具体公式为:
NCVi=norm(vi)=||(vi,1,vi,2,...,vi,t)||;
其中,vi,t表示第i个电池单体在第t时刻的电压,NCVi表示第i个电池单体的充电电压向量范数。
本发明计算各电池单体在第1监测点到第t监测点的充电电压向量范数(NCV),以表征单体充电性能。作为实施例,t可选取200,也可根据实际数据情况增大或减小。
对于一个多维离散点集,评估其离散程度的传统方法为求其标准差,即先计算其中心点位置,再计算每个点到中心点的欧式距离,并求其标准差,用来表征离散程度,即一致性情况。然而,基于欧氏距离的方法的不足之处在于,它没有考虑不同参数的数量级和参数之间的相关性,即使对数据进行归一化,也无法解决某些方差较大的参数的变化可能会覆盖方差较小的参数的变化的问题。假设在二维空间R2中的一组数据点具有椭圆型分布,如图7所示,C 是数据集的中心点。在欧氏距离计算中,点E和点A到点C的距离相同,然而,我们可以从分布直观地看出,点E处于分布内部,而点A处于分布的边缘,更趋近于离群点。马氏距离即解决了上述问题。马氏距离考虑了数据不同属性的数量级以及其之间的相关性,将车辆时间序列数据集映射到主成分空间,再进行归一化处理。在马氏距离构成的空间中,点M到中心点的距离与 A相同。
然而,由于整体数据协方差的差异,可能导致同样的一组样本数据在不同整体数据中的马氏距离计算出现不同,因此,本发明采用整体数据集的协方差矩阵来代替传统马氏距离计算中的协方差矩阵,以获得较为稳定的一致性评估。此外,马氏距离的计算中,协方差矩阵的计算以及中心点的选取,都对离群点较为敏感,异常点的存在会极大的影响评估结果。因此,本发明采用DBSCAN聚类算法对数据集中的离群点进行识别和剔除。DBSCAN聚类算法是一种基于密度的非参数聚类方法,它将数据集划分为核心点、边界点和噪声点,进而进行聚类,它具有较好的离群点检测能力。
步骤S5:根据各电池单体的开路电压OCV、欧姆内阻IR和充电电压向量范数NCV,结合马氏距离与DBSCAN聚类算法计算各评估点处各待测电池组的一致性,具体包括:
步骤S51:基于设定时间内所有车辆各电池单体对应的开路电压OCV、欧姆内阻IR和充电电压向量范数NCV构成第一评估参数矩阵,具体公式为:
其中,Xtotal表示第一评估参数矩阵,n表示电池单体的总个数,m为一致性评估参数的个数,作为实施例,m可取值为3,即三个参数分别为开路电压 (OCV)、欧姆内阻(IR)和充电电压的范数(NCV),xij表示第i个电池单体的第j个评估参数值。
步骤S52:采用DBSCAN聚类算法,根据所述第一评估参数矩阵删除离群的电池单体,并获得第二评估参数矩阵X′total。
步骤S53:根据所述第二评估参数矩阵计算剩余电池单体的协方差矩阵,具体公式为:
其中,∑X,total表示剩余电池单体的协方差矩阵,X′total表示第二评估参数矩阵,μX=(μ1,μ2,...,μm)是一致性评估参数的均值矩阵,μm表示第m个一致性评估参数的均值,n表示电池单体的总个数。
步骤S54:在每一个评估点,根据待测车辆的当前评估参数矩阵,采用 DBSCAN聚类算法删除离群的电池单体,并获得第三评估参数矩阵,具体公式为:
其中,X表示第三评估参数矩阵,q表示待测车辆的电池单体的总个数, q≤n,m为一致性评估参数的个数。
步骤S55:根据所述第三评估参数矩阵计算在m个参数上的平均值,获得数据中心点。
步骤S56:基于所述协方差矩阵与所述数据中心点确定各电池单体与数据中心点之间的马氏距离,具体公式为:
其中,DM(Xj)表示第j个电池单体与数据中心点之间的马氏距离,Xj为第j个电池单体,μ′X为数据中心点,∑X,total为协方差矩阵,
步骤S57:基于各电池单体与数据中心点之间的马氏距离计算各评估点处各待测电池组的一致性,具体公式为:
其中,DM,total表示各评估点处各待测电池组的一致性,DM(Xj)表示第j 个电池单体与中心点之间的马氏距离。
例如以每隔1000公里为一个里程级别,从车辆全部数据中分别提取里程数与里程级别最相近的符合步骤S2、步骤S3、步骤S4的数据,聚合为一个一致性评估点。
图2为本发明的一个实施例中9辆电动汽车动力电池组一致性评估结果随里程的演变情况。可以看出,9辆电动汽车的一致性情况遵循相似的演变规律,里程5000km到11000km之间,一致性较好,5000km之前和11000km之后,一致性较差。这是因为5000km之前以及11000km之后处于冬季,温度较低,导致的车辆动力电池组一致性变差。而对比5000km之前以及11000km之后两个区间,发现动力电池组一致性出现了衰退。图中,5号车的电池一致性在 113000km处发生了异常,9号车的电池一致性在141000km处发生了异常,它们的一致性评估结果相比其他车辆更差。
步骤S6:根据各评估点处所有待测电池组的一致性计算各评估点处待测电池组的Z分数,具体公式为:
其中,DM,total表示评估点处待测电池组的一致性,μ表示评估点处所有待测电池组的一致性均值,σ表示评估点处的标准差。
步骤S7:根据Z分数确定待测电池组的一致性,具体包括:
当Z分数小于第一设定值时,表示车辆待测电池组内的各电池单体一致性较好。
当第一设定值≤Z分数<第二设定值时,表示车辆待测电池组内的各电池单体出现了轻微的不一致。
当第二设定值≤Z分数<第三设定值时,表示车辆待测电池组内的各电池单体出现中等程度不一致,建议采取均衡等维护措施。
当第三设定值≤Z分数时,表示车辆待测电池组内的各电池单体出现严重的不一致,报警信号启动。
图3为本发明的一个实施例中9辆电动汽车一致性Z分数评级,其更加清晰的显示出电池一致性较差的车辆。例如,在113000km处和141000km处,5 号车和9号车的Z分数超过了3,达到第3级预警。
如图8所示,本发明还提供一种电池组一致性评估系统,所述系统包括:
状态划分模块1,用于对车辆状态进行划分,获得满电静置片段、行驶片段以及恒流充电片段;
开路电压确定模块2,用于基于所述满电静置片段,通过电池单体电压提取电池单体的开路电压.
欧姆内阻确定模块3,用于基于所述行驶片段,针对电池单体建立等效电路模型,采用自适应OCV-RLS方法对电池单体进行参数辨识,并提取每个电池单体的欧姆内阻。
范数确定模块4,用于基于所述恒流充电片段,计算各电池单体的充电电压向量范数。
第一一致性确定模块5,用于根据各电池单体的开路电压、欧姆内阻和充电电压向量范数,结合马氏距离与DBSCAN聚类算法计算各评估点处各待测电池组的一致性。
Z分数确定模块6,用于根据各评估点处所有待测电池组的一致性计算各评估点处待测电池组的Z分数。
第二一致性确定模块7,用于根据Z分数确定待测电池组的一致性。
作为一种可选的实施方式,本发明所述欧姆内阻确定模块3,具体包括:
待辨识参数估计公式确定单元,用于确定待辨识参数估计公式。
初始时间步的电池开路电压估计值确定单元,用于采用差分电压方法确定初始时间步的电池开路电压估计值。
给定单元,用于给定初始时间步的误差协方差矩阵和待辨识参数矩阵。
参数确定单元,用于将第k-1时间步的误差协方差矩阵和待辨识参数矩阵代入所述待辨识参数估计公式,确定第k时间步的待辨识参数矩阵估计和误差协方差矩阵。
第k时间步的电池开路电压估计值确定单元,用于根据第k时间步的待辨识参数矩阵计算第k时间步的电池开路电压估计值。
判断单元,用于判断第k时间步的电池开路电压估计值是否满足电压异常判断规则;如果满足电压异常判断规则,则执行“更新单元”;如果不满足电压异常判断规则,则执行“第二判断单元”;所述电压异常判断规则为:定义电池放电电流为正,充电电流为负,当电池放电电流Ik为正时,电池开路电压估计值小于等于此刻的端电压,或大于前一时刻的电池开路电压估计值;若电池放电电流Ik为负时,电池开路电压估计值大于等于此刻的端电压,或小于前一时刻的电池开路电压估计值。
更新单元,用于采用差分电压方法确定第k时间步的电池开路电压估计值,根据第k时间步的电池开路电压估计值更新待辨识参数矩阵估计值,并执行“第二判断单元”。
第二判断单元,用于判断k是否小于或等于时间步总数n;如果k小于或等于n,则令k=k+1,并返回“参数确定单元”;如果k大于n,则将辨识得到的每个电池单体的欧姆内阻输出。
作为一种可选的实施方式,本发明所述更新单元,具体包括:
电压差和电流差确定子单元,用于计算两个数据帧之间的电压差和电流差。
线性回归分析子单元,用于以设定帧数据为一组,利用多个电压差和电流差构成的二维散点图,并对所述二维散点图进行线性回归分析,获得线性回归直线;
斜率计算确定子单元,用于计算所述线性回归直线的斜率,并将所述斜率作为电池单体的内阻。
电池开路电压估计值确定子单元,用于基于所述电池单体的内阻计算电池开路电压估计值;
更新子单元,用于根据电池开路电压估计值更新待辨识参数矩阵估计值。
作为一种可选的实施方式,本发明所述第一一致性确定模块5,具体包括:
第一评估参数矩阵确定单元,用于基于设定时间内所有车辆各电池单体对应的开路电压、欧姆内阻和充电电压向量范数构成第一评估参数矩阵。
第二评估参数矩阵确定单元,用于采用DBSCAN聚类算法,根据所述第一评估参数矩阵删除离群的电池单体,并获得第二评估参数矩阵。
协方差矩阵确定单元,用于根据所述第二评估参数矩阵计算剩余电池单体的协方差矩阵。
第三评估参数矩阵确定单元,用于在每一个评估点,根据待测车辆的当前评估参数矩阵,采用DBSCAN聚类算法删除离群的电池单体,并获得第三评估参数矩阵。
数据中心点确定单元,用于根据所述第三评估参数矩阵计算在m个参数上的平均值,获得数据中心点。
马氏距离确定单元,用于基于所述协方差矩阵与所述数据中心点确定各电池单体与数据中心点之间的马氏距离。
第一一致性确定单元,用于基于各电池单体与数据中心点之间的马氏距离计算各评估点处各待测电池组的一致性。
作为一种可选的实施方式,本发明所述状态划分模块1,具体包括:
车辆时间序列数据获取单元,用于从大数据平台采集的车辆时间序列数据,所述车辆时间序列数据包括车辆速度、经纬度、SOC、电池组总电压、总电流和单体电压。
满电静置片段确定单元,用于基于所述车辆时间序列数据选取满足满电静置要求的连续时间序列片段作为满电静置片段;所述满电静置要求为连续1 小时以上速度为零、电流为零,且SOC等于100%的数据点。
行驶片段确定单元,用于基于所述车辆时间序列数据选取满足行驶要求的连续时间序列片段作为行驶片段;所述行驶要求为第一特定SOC区间的行驶数据片段。
恒流充电片段确定单元,用于基于所述车辆时间序列数据选取满足恒流充电要求的连续时间序列片段作为恒流充电片段;所述恒流充电要求为在第二特定SOC区间内充电电流为恒定值。
本发明相比于现有电池组一致性评估方法存在以下优点:
(1)针对现有动力电池组一致性评估方法无法进行实车应用,或实车参数难以精确获取的问题,本发明所选取的开路电压、放电欧姆内阻、充电电压范数三个一致性表征参数可以通过车辆运行过程中BMS采集的信号计算得到,不需要精密的测量仪器或特定充放电工况,可在对电池无损耗的情况下在线检测电池一致性,应用场景广泛。
(2)针对现有一致性评估方法多基于单参数,难以全面、综合的反应电池组一致性情况的问题,本发明所提出的基于马氏距离和DBSCAN的一致性评估方法可以较好的评估不同数量级且具有相关性的多参数耦合动力电池一致性状态。
(3)针对现有在线参数辨识方法在开路电压辨识上常常出现的剧烈波动以及空值现象,本发明所提出的自适应OCV-RLS参数辨识方法可以有效的对异常OCV辨识值进行补偿,获得更准确的参数辨识结果,进而提高电池组一致性评估结果的准确性。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种电池组一致性评估方法,其特征在于,所述方法包括:
步骤S1:对车辆状态进行划分,获得满电静置片段、行驶片段以及恒流充电片段;
步骤S2:基于所述满电静置片段,通过电池单体电压提取电池单体的开路电压;
步骤S3:基于所述行驶片段,针对电池单体建立等效电路模型,采用自适应OCV-RLS方法对电池单体进行参数辨识,并提取每个电池单体的欧姆内阻;
步骤S4:基于所述恒流充电片段,计算各电池单体的充电电压向量范数;
步骤S5:根据各电池单体的开路电压、欧姆内阻和充电电压向量范数,结合马氏距离与DBSCAN聚类算法计算各评估点处各待测电池组的一致性;
步骤S6:根据各评估点处所有待测电池组的一致性计算各评估点处待测电池组的Z分数;
步骤S7:根据Z分数确定待测电池组的一致性;
步骤S1:对车辆状态进行划分,获得满电静置片段、行驶片段以及恒流充电片段,具体包括:
步骤S11:从大数据平台采集车辆时间序列数据,所述车辆时间序列数据包括车辆速度、经纬度、SOC、电池组总电压、总电流和单体电压;
步骤S12:基于所述车辆时间序列数据选取满足满电静置要求的连续时间序列片段作为满电静置片段;所述满电静置要求为连续1小时以上速度为零、电流为零,且SOC等于100%的数据点;
步骤S13:基于所述车辆时间序列数据选取满足行驶要求的连续时间序列片段作为行驶片段;所述行驶要求为第一特定SOC区间的行驶数据片段;
步骤S14:基于所述车辆时间序列数据选取满足恒流充电要求的连续时间序列片段作为恒流充电片段;所述恒流充电要求为在第二特定SOC区间内充电电流为恒定值。
2.根据权利要求1所述的电池组一致性评估方法,其特征在于,所述基于所述行驶片段,针对电池单体建立等效电路模型,采用自适应OCV-RLS方法对电池单体进行参数辨识,并提取每个电池单体的欧姆内阻,具体包括:
步骤S31:确定待辨识参数估计公式;
步骤S32:采用差分电压方法确定初始时间步的电池开路电压估计值;
步骤S33:给定初始时间步的误差协方差矩阵和待辨识参数矩阵;
步骤S34:将第k-1时间步的误差协方差矩阵和待辨识参数矩阵代入所述待辨识参数估计公式,确定第k时间步的待辨识参数矩阵估计和误差协方差矩阵;
步骤S35:根据第k时间步的待辨识参数矩阵计算第k时间步的电池开路电压估计值;
步骤S36:判断第k时间步的电池开路电压估计值是否满足电压异常判断规则;如果满足电压异常判断规则,则执行步骤S37;如果不满足电压异常判断规则,则执行步骤S38;所述电压异常判断规则为:定义电池放电电流为正,充电电流为负,当电池放电电流Ik为正时,电池开路电压估计值小于等于此刻的端电压,或大于前一时刻的电池开路电压估计值;若电池放电电流Ik为负时,电池开路电压估计值大于等于此刻的端电压,或小于前一时刻的电池开路电压估计值;
步骤S37:采用差分电压方法确定第k时间步的电池开路电压估计值,根据第k时间步的电池开路电压估计值更新待辨识参数矩阵估计值,并执行步骤S38;
步骤S38:判断k是否小于或等于时间步总数n;如果k小于或等于n,则令k=k+1,并返回步骤S34;如果k大于n,则将辨识得到的每个电池单体的欧姆内阻输出。
3.根据权利要求2所述的电池组一致性评估方法,其特征在于,所述采用差分电压方法确定第k时间步的电池开路电压估计值,具体包括:
步骤S371:计算两个数据帧之间的电压差和电流差;
步骤S372:以设定帧数据为一组,利用多个电压差和电流差构成的二维散点图,并对所述二维散点图进行线性回归分析,获得线性回归直线;
步骤S373:计算所述线性回归直线的斜率,并将所述斜率作为电池单体的内阻;
步骤S374:基于所述电池单体的内阻计算电池开路电压估计值。
4.根据权利要求1所述的电池组一致性评估方法,其特征在于,所述根据各电池单体的开路电压、欧姆内阻和充电电压向量范数,结合马氏距离与DBSCAN聚类算法计算各评估点处各待测电池组的一致性,具体包括:
步骤S51:基于设定时间内所有车辆各电池单体对应的开路电压、欧姆内阻和充电电压向量范数构成第一评估参数矩阵;
步骤S52:采用DBSCAN聚类算法,根据所述第一评估参数矩阵删除离群的电池单体,并获得第二评估参数矩阵;
步骤S53:根据所述第二评估参数矩阵计算剩余电池单体的协方差矩阵;
步骤S54:在每一个评估点,根据待测车辆的当前评估参数矩阵,采用DBSCAN聚类算法删除离群的电池单体,并获得第三评估参数矩阵;
步骤S55:根据所述第三评估参数矩阵计算在m个参数上的平均值,获得数据中心点;
步骤S56:基于所述协方差矩阵与所述数据中心点确定各电池单体与数据中心点之间的马氏距离;
步骤S57:基于各电池单体与数据中心点之间的马氏距离计算各评估点处各待测电池组的一致性。
5.一种电池组一致性评估系统,其特征在于,所述系统包括:
状态划分模块,用于对车辆状态进行划分,获得满电静置片段、行驶片段以及恒流充电片段;
开路电压确定模块,用于基于所述满电静置片段,通过电池单体电压提取电池单体的开路电压;
欧姆内阻确定模块,用于基于所述行驶片段,针对电池单体建立等效电路模型,采用自适应OCV-RLS方法对电池单体进行参数辨识,并提取每个电池单体的欧姆内阻;
范数确定模块,用于基于所述恒流充电片段,计算各电池单体的充电电压向量范数;
第一一致性确定模块,用于根据各电池单体的开路电压、欧姆内阻和充电电压向量范数,结合马氏距离与DBSCAN聚类算法计算各评估点处各待测电池组的一致性;
Z分数确定模块,用于根据各评估点处所有待测电池组的一致性计算各评估点处待测电池组的Z分数;
第二一致性确定模块,用于根据Z分数确定待测电池组的一致性;
所述状态划分模块,具体包括:
车辆时间序列数据获取单元,用于从大数据平台采集的车辆时间序列数据,所述车辆时间序列数据包括车辆速度、经纬度、SOC、电池组总电压、总电流和单体电压;
满电静置片段确定单元,用于基于所述车辆时间序列数据选取满足满电静置要求的连续时间序列片段作为满电静置片段;所述满电静置要求为连续1小时以上速度为零、电流为零,且SOC等于100%的数据点;
行驶片段确定单元,用于基于所述车辆时间序列数据选取满足行驶要求的连续时间序列片段作为行驶片段;所述行驶要求为第一特定SOC区间的行驶数据片段;
恒流充电片段确定单元,用于基于所述车辆时间序列数据选取满足恒流充电要求的连续时间序列片段作为恒流充电片段;所述恒流充电要求为在第二特定SOC区间内充电电流为恒定值。
6.根据权利要求5所述的电池组一致性评估系统,其特征在于,所述欧姆内阻确定模块,具体包括:
待辨识参数估计公式确定单元,用于确定待辨识参数估计公式;
初始时间步的电池开路电压估计值确定单元,用于采用差分电压方法确定初始时间步的电池开路电压估计值;
给定单元,用于给定初始时间步的误差协方差矩阵和待辨识参数矩阵;
参数确定单元,用于将第k-1时间步的误差协方差矩阵和待辨识参数矩阵代入所述待辨识参数估计公式,确定第k时间步的待辨识参数矩阵估计和误差协方差矩阵;
第k时间步的电池开路电压估计值确定单元,用于根据第k时间步的待辨识参数矩阵计算第k时间步的电池开路电压估计值;
判断单元,用于判断第k时间步的电池开路电压估计值是否满足电压异常判断规则;如果满足电压异常判断规则,则执行“更新单元”;如果不满足电压异常判断规则,则执行“第二判断单元”;所述电压异常判断规则为:定义电池放电电流为正,充电电流为负,当电池放电电流Ik为正时,电池开路电压估计值小于等于此刻的端电压,或大于前一时刻的电池开路电压估计值;若电池放电电流Ik为负时,电池开路电压估计值大于等于此刻的端电压,或小于前一时刻的电池开路电压估计值;
更新单元,用于采用差分电压方法确定第k时间步的电池开路电压估计值,根据第k时间步的电池开路电压估计值更新待辨识参数矩阵估计值,并执行“第二判断单元”;
第二判断单元,用于判断k是否小于或等于时间步总数n;如果k小于或等于n,则令k=k+1,并返回“参数确定单元”;如果k大于n,则将辨识得到的每个电池单体的欧姆内阻输出。
7.根据权利要求6所述的电池组一致性评估系统,其特征在于,所述更新单元,具体包括:
电压差和电流差确定子单元,用于计算两个数据帧之间的电压差和电流差;
线性回归分析子单元,用于以设定帧数据为一组,利用多个电压差和电流差构成的二维散点图,并对所述二维散点图进行线性回归分析,获得线性回归直线;
斜率计算确定子单元,用于计算所述线性回归直线的斜率,并将所述斜率作为电池单体的内阻;
电池开路电压估计值确定子单元,用于基于所述电池单体的内阻计算电池开路电压估计值;
更新子单元,用于根据电池开路电压估计值更新待辨识参数矩阵估计值。
8.根据权利要求5所述的电池组一致性评估系统,其特征在于,所述第一一致性确定模块,具体包括:
第一评估参数矩阵确定单元,用于基于设定时间内所有车辆各电池单体对应的开路电压、欧姆内阻和充电电压向量范数构成第一评估参数矩阵;
第二评估参数矩阵确定单元,用于采用DBSCAN聚类算法,根据所述第一评估参数矩阵删除离群的电池单体,并获得第二评估参数矩阵;
协方差矩阵确定单元,用于根据所述第二评估参数矩阵计算剩余电池单体的协方差矩阵;
第三评估参数矩阵确定单元,用于在每一个评估点,根据待测车辆的当前评估参数矩阵,采用DBSCAN聚类算法删除离群的电池单体,并获得第三评估参数矩阵;
数据中心点确定单元,用于根据所述第三评估参数矩阵计算在m个参数上的平均值,获得数据中心点;
马氏距离确定单元,用于基于所述协方差矩阵与所述数据中心点确定各电池单体与数据中心点之间的马氏距离;
第一一致性确定单元,用于基于各电池单体与数据中心点之间的马氏距离计算各评估点处各待测电池组的一致性。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010572859.5A CN111707951B (zh) | 2020-06-22 | 2020-06-22 | 一种电池组一致性评估方法及系统 |
PCT/CN2021/101218 WO2021259196A1 (zh) | 2020-06-22 | 2021-06-21 | 一种电池组一致性评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010572859.5A CN111707951B (zh) | 2020-06-22 | 2020-06-22 | 一种电池组一致性评估方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111707951A CN111707951A (zh) | 2020-09-25 |
CN111707951B true CN111707951B (zh) | 2021-04-06 |
Family
ID=72542098
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010572859.5A Active CN111707951B (zh) | 2020-06-22 | 2020-06-22 | 一种电池组一致性评估方法及系统 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111707951B (zh) |
WO (1) | WO2021259196A1 (zh) |
Families Citing this family (41)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111707951B (zh) * | 2020-06-22 | 2021-04-06 | 北京理工大学 | 一种电池组一致性评估方法及系统 |
CN112039171B (zh) * | 2020-09-29 | 2022-07-15 | 珠海格力电器股份有限公司 | 电池组均衡方法、装置、设备和存储介质 |
CN112083336B (zh) * | 2020-10-19 | 2022-02-01 | 哈尔滨工业大学(威海) | 一种锂离子电池组电化学模型参数获取方法 |
CN112622914B (zh) * | 2020-12-21 | 2022-11-04 | 武汉理工大学 | 新能源汽车行车安全状态辨识系统 |
CN112858919B (zh) * | 2021-01-18 | 2022-04-01 | 北京理工大学 | 一种基于聚类分析的电池系统在线故障诊断方法和系统 |
CN113030763A (zh) * | 2021-02-20 | 2021-06-25 | 武汉云衡智能科技有限公司 | 一种车用动力电池一致性差异的潜在风险诊断系统 |
CN113253113B (zh) * | 2021-02-26 | 2022-05-06 | 重庆长安新能源汽车科技有限公司 | 一种动力电池一致性故障的预测方法 |
CN113325318B (zh) * | 2021-04-30 | 2022-12-13 | 上海空间电源研究所 | 一种锂离子蓄电池一致性筛选方法 |
CN113253128B (zh) * | 2021-05-12 | 2022-04-12 | 合肥国轩高科动力能源有限公司 | 一种电池系统soc一致性评估方法和内阻一致性评估方法 |
CN113533985A (zh) * | 2021-06-28 | 2021-10-22 | 合肥国轩高科动力能源有限公司 | 一种电池包内阻异常模块的识别方法及其存储介质 |
CN113433458B (zh) * | 2021-07-16 | 2023-06-27 | 北京现代汽车有限公司 | 电池健康状态的确定方法和装置 |
CN113917351B (zh) * | 2021-10-09 | 2023-12-22 | 长沙理工大学 | 基于容量变化的储能电站电池簇不一致性在线评估方法 |
CN113759252A (zh) * | 2021-10-09 | 2021-12-07 | 长沙理工大学 | 基于直流内阻ir压降的储能电站电池簇不一致性在线评估方法 |
CN114114057B (zh) * | 2021-10-28 | 2023-11-07 | 合肥国轩高科动力能源有限公司 | 一种新能源电动汽车电池单体异常预估方法 |
CN113866646A (zh) * | 2021-11-15 | 2021-12-31 | 长沙理工大学 | 基于极化阻抗压升的电池簇不一致性在线监测方法研究 |
CN114264957A (zh) * | 2021-12-02 | 2022-04-01 | 东软集团股份有限公司 | 一种异常单体检测方法及其相关设备 |
CN113871727B (zh) * | 2021-12-02 | 2022-05-17 | 深圳市铂纳特斯自动化科技有限公司 | 一种提高锂离子电池参数一致性的自适应化成方法及系统 |
CN114200308B (zh) * | 2021-12-03 | 2024-03-15 | 西安理工大学 | 一种基于特征融合的电池组参数不一致性在线评估方法 |
CN114114039B (zh) * | 2021-12-06 | 2023-10-03 | 湖北亿纬动力有限公司 | 一种电池系统的单体电芯一致性的评估方法和装置 |
CN114047450A (zh) * | 2021-12-21 | 2022-02-15 | 湖北亿纬动力有限公司 | 电池系统的可用容量一致性评估方法和装置 |
CN114487850A (zh) * | 2022-01-25 | 2022-05-13 | 重庆标能瑞源储能技术研究院有限公司 | 一种基于实车数据的动力电池容量预测方法 |
CN114418465B (zh) * | 2022-03-29 | 2022-08-05 | 湖北工业大学 | 一种数据驱动的动力电池使用行为量化评估方法 |
CN114910793B (zh) * | 2022-04-24 | 2023-03-31 | 广东工业大学 | 一种储能电站串联电池组的soh估计方法 |
CN114970734A (zh) * | 2022-06-09 | 2022-08-30 | 清华大学 | 异常电池确定方法、装置、计算机设备和存储介质 |
CN114879053B (zh) * | 2022-06-16 | 2023-05-23 | 珠海科创储能科技有限公司 | 一种储能磷酸铁锂电池寿命预测方法 |
CN115469239B (zh) * | 2022-06-29 | 2023-09-08 | 四川新能源汽车创新中心有限公司 | 电池系统的电荷状态一致性评价方法、装置及电子设备 |
CN114942387B (zh) * | 2022-07-20 | 2022-10-25 | 湖北工业大学 | 一种基于真实数据的动力电池故障在线检测方法及系统 |
CN114942386B (zh) * | 2022-07-20 | 2022-11-04 | 湖北工业大学 | 一种动力电池故障在线检测方法及系统 |
CN115453390B (zh) * | 2022-09-15 | 2024-01-05 | 佛山金智荣科技有限公司 | 一种检测电瓶车新能源电池充电速度的方法 |
CN115640702B (zh) * | 2022-11-16 | 2023-06-09 | 武汉市蓝电电子股份有限公司 | 一种电池配组方法和系统 |
CN115524629B (zh) * | 2022-11-23 | 2023-02-24 | 陕西汽车集团股份有限公司 | 一种车辆动力电池系统健康状态的评估方法 |
CN115863795B (zh) * | 2022-12-06 | 2023-09-12 | 北汽福田汽车股份有限公司 | 数据处理方法、数据处理装置、车辆和存储介质 |
CN115840157B (zh) * | 2022-12-08 | 2023-08-22 | 斯润天朗(合肥)科技有限公司 | 基于eof分析的锂电池电性能指标协调性分析系统 |
CN115993552B (zh) * | 2023-03-23 | 2023-07-18 | 杭州科工电子科技有限公司 | 电池内阻估算方法 |
CN116381506A (zh) * | 2023-04-11 | 2023-07-04 | 国网宁夏电力有限公司电力科学研究院 | 基于数据聚类的可重构电池网络系统电池状态分选方法 |
CN116298931B (zh) * | 2023-05-12 | 2023-09-01 | 四川新能源汽车创新中心有限公司 | 一种基于云端数据的锂离子电池容量估计方法 |
CN116505105B (zh) * | 2023-06-27 | 2023-11-17 | 深圳市泰昂能源科技股份有限公司 | 基于并联模块的蓄电池在线管理方法 |
CN116719701B (zh) * | 2023-08-10 | 2024-03-08 | 深圳海辰储能控制技术有限公司 | 储能系统运行状态的确定方法、装置及计算机设备 |
CN117269805A (zh) * | 2023-11-23 | 2023-12-22 | 中国人民解放军国防科技大学 | 车载锂电池组健康状态评估模型训练、预测方法及装置 |
CN117540225B (zh) * | 2024-01-09 | 2024-04-12 | 成都电科星拓科技有限公司 | 一种基于DBSCAN聚类的分布式ups系统一致性评估系统及方法 |
CN117706377A (zh) * | 2024-02-05 | 2024-03-15 | 国网上海能源互联网研究院有限公司 | 一种基于自适应聚类的电池不一致性辨识方法和装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103785629A (zh) * | 2014-01-13 | 2014-05-14 | 国家电网公司 | 一种梯次利用锂电池筛选成组方法 |
US20140172332A1 (en) * | 2012-12-18 | 2014-06-19 | GM Global Technology Operations LLC | Methods and systems for determining whether a voltage measurement is usable for a state of charge estimation |
CN107024663A (zh) * | 2017-04-01 | 2017-08-08 | 湖南银杏数据科技有限公司 | 基于充电曲线特征kpca聚类的锂电池筛选方法 |
CN107093775A (zh) * | 2017-05-04 | 2017-08-25 | 广东电网有限责任公司电力科学研究院 | 一种串联结构电池组的一致性评价方法及装置 |
WO2019033391A1 (zh) * | 2017-08-18 | 2019-02-21 | 罗伯特·博世有限公司 | 用于检测电池组一致性的方法、装置及系统 |
CN110058161A (zh) * | 2019-05-20 | 2019-07-26 | 山东大学 | 一种锂离子电池模型参数的分布式辨识方法及装置 |
CN110836741A (zh) * | 2019-11-20 | 2020-02-25 | 安徽必达新能源汽车产业研究院有限公司 | 纯电动汽车效率一致性在线测试方法 |
CN111007417A (zh) * | 2019-12-06 | 2020-04-14 | 重庆大学 | 基于不一致性评估的电池组soh和rul预测方法及系统 |
CN111257771A (zh) * | 2020-01-20 | 2020-06-09 | 吉利汽车研究院(宁波)有限公司 | 一种车辆更换蓄电池一致性检测的方法及系统 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102590751B (zh) * | 2011-10-12 | 2014-01-15 | 国家电网公司 | 动力电池包一致性评估方法和装置 |
US9128162B2 (en) * | 2012-09-19 | 2015-09-08 | Apple Inc. | Estimating state of charge (SOC) and uncertainty from relaxing voltage measurements in a battery |
CN108732510B (zh) * | 2018-07-19 | 2020-07-07 | 哈尔滨工业大学 | 基于内部特征的锂离子电池一致性筛选分组方法 |
CN109324297A (zh) * | 2018-10-19 | 2019-02-12 | 张瑞锋 | 一种电池组一致性分析的方法 |
CN110109030B (zh) * | 2019-04-30 | 2020-05-08 | 清华大学 | 电池组一致性评价方法与电池组均衡策略 |
CN111707951B (zh) * | 2020-06-22 | 2021-04-06 | 北京理工大学 | 一种电池组一致性评估方法及系统 |
-
2020
- 2020-06-22 CN CN202010572859.5A patent/CN111707951B/zh active Active
-
2021
- 2021-06-21 WO PCT/CN2021/101218 patent/WO2021259196A1/zh active Application Filing
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140172332A1 (en) * | 2012-12-18 | 2014-06-19 | GM Global Technology Operations LLC | Methods and systems for determining whether a voltage measurement is usable for a state of charge estimation |
CN103785629A (zh) * | 2014-01-13 | 2014-05-14 | 国家电网公司 | 一种梯次利用锂电池筛选成组方法 |
CN107024663A (zh) * | 2017-04-01 | 2017-08-08 | 湖南银杏数据科技有限公司 | 基于充电曲线特征kpca聚类的锂电池筛选方法 |
CN107093775A (zh) * | 2017-05-04 | 2017-08-25 | 广东电网有限责任公司电力科学研究院 | 一种串联结构电池组的一致性评价方法及装置 |
WO2019033391A1 (zh) * | 2017-08-18 | 2019-02-21 | 罗伯特·博世有限公司 | 用于检测电池组一致性的方法、装置及系统 |
CN110058161A (zh) * | 2019-05-20 | 2019-07-26 | 山东大学 | 一种锂离子电池模型参数的分布式辨识方法及装置 |
CN110836741A (zh) * | 2019-11-20 | 2020-02-25 | 安徽必达新能源汽车产业研究院有限公司 | 纯电动汽车效率一致性在线测试方法 |
CN111007417A (zh) * | 2019-12-06 | 2020-04-14 | 重庆大学 | 基于不一致性评估的电池组soh和rul预测方法及系统 |
CN111257771A (zh) * | 2020-01-20 | 2020-06-09 | 吉利汽车研究院(宁波)有限公司 | 一种车辆更换蓄电池一致性检测的方法及系统 |
Non-Patent Citations (4)
Title |
---|
《Analysis on the capacity degradation mechanism of a series lithium-ion power battery pack based on inconsistency of capacity》;王震坡等;《Chinese Physics B》;20130831;全文 * |
《Consistency evaluation and cluster analysis for lithium-ion battery pack in electric vehicles》;JiaqiangTian等;《Energy》;20200331;全文 * |
《一种动力电池容量一致性辨识方法》;焦东升等;《电源技术》;20160730;全文 * |
《基于STF&LM算法的串联锂离子电池组不一致性辨识与状态估计》;葛云龙等;《中国电机工程学报》;20180720;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111707951A (zh) | 2020-09-25 |
WO2021259196A1 (zh) | 2021-12-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111707951B (zh) | 一种电池组一致性评估方法及系统 | |
CN110068774B (zh) | 锂电池健康状态的估计方法、装置及存储介质 | |
WO2021185308A1 (zh) | 一种电动汽车动力电池组健康状态在线确定方法和系统 | |
CN110045298B (zh) | 一种动力电池组参数不一致性的诊断方法 | |
CN112858919B (zh) | 一种基于聚类分析的电池系统在线故障诊断方法和系统 | |
CN110632528B (zh) | 一种基于内阻检测的锂电池soh估算方法 | |
CN110133525B (zh) | 一种应用于电池管理系统的锂离子电池健康状态估计方法 | |
CN109752656B (zh) | 一种在多时间尺度下用电动汽车电池soh评估方法 | |
CN112858916B (zh) | 一种基于模型与数据驱动融合的电池包荷电状态估计方法 | |
CN113702843B (zh) | 一种基于郊狼优化算法的锂电池参数辨识与soc估计方法 | |
CN114818831B (zh) | 基于多源感知的双向锂离子电池故障检测方法及系统 | |
Zhu et al. | The SOH estimation of LiFePO4 battery based on internal resistance with Grey Markov Chain | |
CN111983464B (zh) | 一种基于纯电动车用锂电池析锂测试方法 | |
KR20210000207A (ko) | 내부 단락 셀 검출 방법 | |
CN114729967A (zh) | 用于估计储能器的状态的方法 | |
CN114839536A (zh) | 一种基于多健康因子的锂离子电池健康状态估计方法 | |
CN110673037A (zh) | 基于改进模拟退火算法的电池soc估算方法及系统 | |
CN112485695A (zh) | 动力电池的检测方法及装置 | |
CN115327417A (zh) | 一种动力电池单体异常的预警方法、系统及电子设备 | |
CN115754724A (zh) | 一种适用于未来不确定性动态工况放电的动力电池健康状态估计方法 | |
CN111751750A (zh) | 基于模糊ekf的多阶段闭环锂电池soc估算方法 | |
CN114545275A (zh) | 一种锂离子电池剩余使用寿命间接预测方法 | |
KR20210000206A (ko) | 이상 배터리 셀 검출 방법 | |
CN114184972A (zh) | 数据驱动与电化学机理结合的电池soh自动估计方法及设备 | |
CN113848479A (zh) | 一种融合均衡信息的串联电池组短路及低容量故障诊断方法、系统及设备 |
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 |