CN111815201A - 一种新能源汽车连续抽样体系的建立及泛特征测定方法 - Google Patents
一种新能源汽车连续抽样体系的建立及泛特征测定方法 Download PDFInfo
- Publication number
- CN111815201A CN111815201A CN202010758505.XA CN202010758505A CN111815201A CN 111815201 A CN111815201 A CN 111815201A CN 202010758505 A CN202010758505 A CN 202010758505A CN 111815201 A CN111815201 A CN 111815201A
- Authority
- CN
- China
- Prior art keywords
- sampling
- vehicle
- index data
- new energy
- energy automobile
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
- G01R31/005—Testing of electric installations on transport means
- G01R31/006—Testing of electric installations on transport means on road vehicles, e.g. automobiles or trucks
-
- 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
- G01R31/34—Testing dynamo-electric machines
- G01R31/343—Testing dynamo-electric machines in operation
-
- 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
- G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
本发明涉及电动车辆动力装置管理技术领域,具体涉及一种新能源汽车连续抽样体系的建立及泛特征测定方法,包括以下内容:S1将车辆上报的每帧数据包作为一次随机抽样;S2根据预设的抽样数量进行有限次抽样,针对有限次抽样的每个指标数据统计各个数值的频数,将每个频数除以抽样数量得到每个指标数据单个数值的频率,将每个指标数据的全部数值和对应的频率集合形成分布规律作为抽样样本;S3将S2中得到的抽样样本作为该车辆指标数据的无偏有效估计作为基础进行指标数据的二次分析判断。本发明能够提高数据利用率。
Description
技术领域
本发明涉及电动车辆动力装置管理技术领域,具体涉及一种新能源汽车连续抽样体系的建立及泛特征测定方法。
背景技术
在环保呼声越来越高的条件下,新能源汽车越来越受欢迎。新能源汽车是采用非常规的车用燃料作为动力源的环保代步工具,新能源汽车包括纯电动汽车、增程式电动汽车、混合动力汽车、燃料电池电动汽车和氢发动机汽车等。新能源汽车相较于现有的燃油汽车,具有污染物零排放、能源利用率高、结构简单和噪声小等的特点,社会方面也因新能源汽车的特点在大力倡导新能源汽车的使用。
新能源汽车的电源部分作为储能部件,关系到新能源汽车行驶过程中的续航能力。而电源部分包括多个电池单元,电源部分作为车辆行驶的供能部件,电池一直在运转使用,当新能源汽车的某个电池单元发生故障时,新能源汽车极容易因电池单元的故障引起整车的安全事故。
为了新能源汽车安全性能的改进,基于新能源汽车行驶过程中的大数据收集非常重要,为此,国家还设定相关的国家标准,以新能源汽车企业为基础收集新能源汽车行驶过程中的各项运行数据,如电池和发动机等,将收集到的运行数据发送至地方平台,由地方平台将本地的运行数据汇总后发送至国家平台上进行监控和分析。
但是,由于运行数据的数据量的庞大,运行数据在采集汇总后的利用率很低,无法及时发现运行数据所代表的部件故障。
发明内容
本发明意在提供一种新能源汽车连续抽样体系的建立及泛特征测定方法,以解决运行数据采集汇总后利用率低的问题。
本方案中的新能源汽车连续抽样体系的建立及泛特征测定方法,包括以下内容:
S1,将车辆上报的每帧数据包作为一次随机抽样,所述数据包中包括该车辆运行时监测多个预设物理部件得到的指标数据;
S2,根据预设的抽样数量进行有限次抽样,针对有限次抽样的每个指标数据统计各个数值的频数,将每个频数除以抽样数量得到每个指标数据单个数值的频率,将每个指标数据的全部数值和对应的频率集合形成分布规律作为抽样样本;
S3,将S2中得到的抽样样本作为该车辆指标数据的无偏有效估计,以该无偏有效估计为基础进行指标数据的分析判断。
本方案的有益效果是:
车辆上报的每帧数据包即车辆运行时的实时状态监控数据,将车辆(尤其是电动汽车)的每一个实时状态监控数据,转化为一次抽样调查,将连续的大量的状态监控数据合理地转化为连续抽样调查体系,在大样本量的支撑下,及在数理统计大数定理保障下,分别获得各种所监测的指标数据的高精度的抽样估计样本,提高了数据利用率,提高了电动汽车状态监测分析的准确性。
进一步,所述S1中,每帧数据包以不大于预设时长的时间进行一次随机抽样。
有益效果是:针对车辆的每帧数据包进行随机抽样,提高车辆各项数据的完整性,能够及时从车辆发送的数据中发现问题,提高车辆安全性。
进一步,所述预设时长为30s。
有益效果是:预设时长根据相关国家标准进行设置,如GB32960标准,更符合实际要求。
进一步,还包括S4,以S3中得到的无偏有效估计对另一同型号和同生产批次车辆的相同指标数据进行分析判断。
有益效果是:就车辆的同一属性的大样本条件下的抽样估计,例如总电压分布的抽样估计,与同型号其它车辆的抽样估计相比较,可以直观地识别出故障车辆。
进一步,还包括S5,将同一车辆在前后两个相同预设时间段内的无偏有效估计进行比较,识别车辆故障。
有益效果是:就车辆的同一属性的大样本条件下的抽样估计,例如总电压分布的抽样估计,同车辆分较长时段分别获取总压电分布的抽样估计,如采用自然年为时段划分,互相比较,可以直观地识别出指标参数的异常,如总电压性能的衰退程度,并十分有利于精确的量化模型的建立与应用。
进一步,所述S4和S5中,将进行对比的两个无偏有效估计作差值,在差值大于差阈值时判断车辆故障。
有益效果是:通过差值判断两个无偏有效估计的差异性,更直观。
附图说明
图1为本发明新能源汽车连续抽样体系的建立及泛特征测定方法实施例一的流程框图;
图2为本发明新能源汽车连续抽样体系的建立及泛特征测定方法实施例一中总电压值-频率分布曲线。
具体实施方式
下面通过具体实施方式进一步详细说明。
实施例一
新能源汽车连续抽样体系的建立及泛特征测定方法,如图1所示,包括以下内容:
S1,车辆上报的每帧数据包以不大于预设时长的时间进行一次随机抽样,预设时长为30s,将车辆上报的每帧数据包作为一次随机抽样,数据包中包括该车辆运行时监测多个预设物理部件得到的指标数据,例如每帧GB/T 32960标准数据包中的总电压值,总电压值经电压测量、TBOX数据组装和数据网络传输最终到达地面数据中心进行存储;
S2,根据预设的抽样数量进行有限次抽样,针对有限次抽样的每个指标数据统计各个数值的频数,将每个频数除以抽样数量得到每个指标数据单个数值的频率,将每个指标数据的全部数值和对应的频率集合形成分布规律作为抽样样本,例如设置足够多的预设的抽样数量,如10万次抽样得到10万个数据包,统计总电压值作为指标数据的数值频数,数值为实际的总电压值,如330V,频数即330V总电压值在10万次统计中出现的次数;
S3,将S2中得到的抽样样本作为该车辆指标数据的无偏有效估计,以该无偏有效估计为基础进行指标数据的二次分析判断;
S4,以S3中得到的无偏有效估计对另一同型号和同生产批次车辆的相同指标数据进行分析判断,即将另一同型号和同生产批次车辆的无偏有效估计与前一车辆的无偏有效估计进行对比,两台车辆的总电压值-频率可以在图像上进行表示,如图2所示,即是将两台车辆的总电压值-频率分布曲线放在同一坐标中叠加后,图2中横坐标为总电压值,纵坐标为总电压值出现的频率。总电压与频率关系如表1所示。
表1:总电压分布规律抽样样本
电压(V) | 频数 | 频率% | 电压(V) | 频数 | 频率% | |
307 | 1 | 0.00% | 354 | 1773 | 1.37% | |
308 | 2 | 0.00% | 355 | 1873 | 1.45% | |
311 | 3 | 0.00% | 356 | 1714 | 1.33% | |
312 | 4 | 0.00% | 357 | 1664 | 1.29% | |
313 | 2 | 0.00% | 358 | 1637 | 1.27% | |
314 | 3 | 0.00% | 359 | 1704 | 1.32% | |
315 | 5 | 0.00% | 360 | 2094 | 1.62% | |
316 | 5 | 0.00% | 361 | 1459 | 1.13% | |
317 | 5 | 0.00% | 362 | 1621 | 1.25% | |
318 | 2 | 0.00% | 363 | 1667 | 1.29% | |
319 | 7 | 0.01% | 364 | 1919 | 1.49% | |
320 | 90 | 0.07% | 365 | 2010 | 1.56% | |
321 | 9 | 0.01% | 366 | 2123 | 1.64% | |
322 | 14 | 0.01% | 367 | 2260 | 1.75% | |
323 | 17 | 0.01% | 368 | 1801 | 1.39% | |
324 | 18 | 0.01% | 369 | 2039 | 1.58% | |
325 | 17 | 0.01% | 370 | 2373 | 1.84% | |
326 | 28 | 0.02% | 371 | 2269 | 1.76% | |
327 | 21 | 0.02% | 372 | 2860 | 2.21% | |
328 | 34 | 0.03% | 373 | 2271 | 1.76% | |
329 | 57 | 0.04% | 374 | 2924 | 2.26% | |
330 | 162 | 0.13% | 375 | 2444 | 1.89% | |
331 | 113 | 0.09% | 376 | 2702 | 2.09% | |
332 | 106 | 0.08% | 377 | 2902 | 2.25% | |
333 | 171 | 0.13% | 378 | 2761 | 2.14% | |
334 | 290 | 0.22% | 379 | 2723 | 2.11% | |
335 | 289 | 0.22% | 380 | 2649 | 2.05% | |
336 | 308 | 0.24% | 381 | 2545 | 1.97% | |
337 | 221 | 0.17% | 382 | 2382 | 1.84% | |
338 | 197 | 0.15% | 383 | 2165 | 1.68% | |
339 | 232 | 0.18% | 384 | 3339 | 2.58% | |
340 | 204 | 0.16% | 385 | 2911 | 2.25% | |
341 | 215 | 0.17% | 386 | 2719 | 2.10% | |
342 | 237 | 0.18% | 387 | 2281 | 1.77% | |
343 | 337 | 0.26% | 388 | 2368 | 1.83% | |
344 | 442 | 0.34% | 389 | 2547 | 1.97% | |
345 | 633 | 0.49% | 390 | 2451 | 1.90% | |
346 | 993 | 0.77% | 391 | 2979 | 2.31% | |
347 | 1197 | 0.93% | 392 | 3361 | 2.60% | |
348 | 1895 | 1.47% | 393 | 3455 | 2.67% | |
349 | 1731 | 1.34% | 394 | 3142 | 2.43% | |
350 | 2698 | 2.09% | 395 | 3412 | 2.64% | |
351 | 2586 | 2.00% | 396 | 4979 | 3.85% | |
352 | 2022 | 1.57% | 397 | 3284 | 2.54% | |
353 | 2192 | 1.70% | 398 | 806 | 0.62% | |
总计 | 129177 | 100.00% |
对于两台车辆的总电压值-频率分布曲线,可以明显发现二者之间有显著差别,车辆二的总电压明显偏低,结合专业知识分析,可以准确地判断出车辆二的高电压平台出现了明显的退化。
泛特征是指对电动汽车在标准:BG/T 32960.3--2016《电动汽车远程服务与管理系统技术规范第3部分:通信协议及数据格式》,中规定必须上传的数据特征。
由于,GB/T 32960.3--2016《电动汽车远程服务与管理系统技术规范第3部分:通信协议及数据格式》中规定了电动汽车在使用过程中,必须上传整车数据、驱动电机数据、燃料电池数据、发动机数据、车辆位置数据、极值数据、报警数据、单体电压数据、探针温度数据等九大类数据。其中直接基于车载传感器所产生的原生数据主要包括:
整车数据包括车辆状态、充电状态、运行模式、车速、总电压、总电流、SOC、DC-DC状态、挡位、绝缘电阻、加速踏板和制动踏板;
驱动电机数据包括驱动电机状态、驱动电机控制器温度、驱动电机转速、驱动电机转矩、驱动电机温度、电机控制器输入电压、电机控制器直流母线电流;
燃料电池数据包括燃料电压、燃料电池电流、燃料消耗率、燃料电池探针温度;
发动机数据包括发动机曲轴转速和燃料消耗率;
车辆位置数据包括经度和纬度;
极值数据包括电池单体电压最高值、电池单体电压最低值、最高温度值、最低温度值。
所以,S1中每帧数据包中包括了上述数据,本实施例一仅以上述数据中的总电压为例。
目前普遍通过采样额定电压和最高电压等参数来描述电压的基本特征,再以平均电压、电压标准差等来统计特征值,描述车辆电池中电压的实际运行情况。但是实践证明,这些传统的单一值的描述方法,不能够充电发挥电动汽车连续观测的巨大优势。
本实施例一中,从概率论与数理统计的角度观察,电动汽车每上报一个数据包,相当于完成一个次随机抽样,车辆所有上报数据相当于一个观测值向量,对于观测向量中的每一个分量,相当于一次独立随机抽样,也可以理解为电动汽车每上报一次,就同时实现了多个指标数据的随机试验的随机抽样。
实施例二
与实施例一的区别是,还包括S5,将同一车辆在前后两个相同预设时间段内的无偏有效估计进行比较,识别车辆故障,例如将同一台车辆总电压以预设时间段进行抽样,如一年为单体,相邻两年的抽样样本进行前后比较,即可以确切判定总电压是否出现明显问题,或者做为下一步精确评估的输入参数。
数理统计理论表明,当将总电压值视同为随机变量后,对其最为完整有描述就是其分布规律,在现在技术条件下,通过对电压的连续观测,恰好为获取电压的分布规律提供了一种切实可行的方法,进一步的实际工作证明,在获得电压的分布的规律后,通过同车前后期的纵向对比,同型号车的横向对比等方法,即可以有效地甄别出电压异常车辆,又可以准确描述电压的状态,更为重要的是,可以为后续二次数据建模分析提供可靠的输入。
实施例三
与实施例二的区别是,在S4和S5中,将进行对比的两个无偏有效估计作差值,即对两个抽样样本内的频率作差值,在差值大于差阈值时判断车辆故障。
实施例四
与实施例二的区别是,在计算温度数据的频率前,针对电池组中电池单体的温度值进行测量,并检测电动汽车在运行时靠近地面处的环境温度值,在环境温度值大于阈值时,例如夏天时靠近地面处的环境温度大于60℃,判断多个电池单体温度值的相邻差值,当相邻差值大于差量阈值时,判断该电池单体为靠近地面一侧,利用预设的修正值对检测到的电池单体的温度值进行修正,修正值可以通过试验预先测得:在环境温度值小于阈值时的电池单体的第一温度值,在环境温度值大于阈值时的电池单体的第二温度值,以第一温度值和第二温度值的差作为修正值。根据环境温度触发判断电池单体的温度,根据电池单体的温度差异判断电池单体的位置,对该电池单体的温度进行修正,提高后续电池温度作为电动汽车状态监测的评价指标的评价准确性。
以上所述的仅是本发明的实施例,方案中公知的具体结构及特性等常识在此未作过多描述。应当指出,对于本领域的技术人员来说,在不脱离本发明结构的前提下,还可以作出若干变形和改进,这些也应该视为本发明的保护范围,这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准,说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (6)
1.一种新能源汽车连续抽样体系的建立及泛特征测定方法,其特征在于,包括以下内容:
S1,将车辆上报的每帧数据包作为一次随机抽样,所述数据包中包括该车辆运行时监测多个预设物理部件得到的指标数据;
S2,根据预设的抽样数量进行有限次抽样,针对有限次抽样的每个指标数据统计各个数值的频数,将每个频数除以抽样数量得到每个指标数据单个数值的频率,将每个指标数据的全部数值和对应的频率集合形成分布规律作为抽样样本;
S3,将S2中得到的抽样样本作为该车辆指标数据的无偏有效估计,以该无偏有效估计为基础进行指标数据的二次分析判断。
2.根据权利要求1所述的新能源汽车连续抽样体系的建立及泛特征测定方法,其特征在于:所述S1中,每帧数据包以不大于预设时长的时间进行一次随机抽样。
3.根据权利要求2所述的新能源汽车连续抽样体系的建立及泛特征测定方法,其特征在于:所述预设时长为30s。
4.根据权利要求1所述的新能源汽车连续抽样体系的建立及泛特征测定方法,其特征在于:还包括S4,以S3中得到的无偏有效估计对另一同型号和同生产批次车辆的相同指标数据进行分析判断。
5.根据权利要求4所述的新能源汽车连续抽样体系的建立及泛特征测定方法,其特征在于:还包括S5,将同一车辆在前后两个相同预设时间段内的无偏有效估计进行比较,识别车辆故障。
6.根据权利要求5所述的新能源汽车连续抽样体系的建立及泛特征测定方法,其特征在于:所述S4和S5中,将进行对比的两个无偏有效估计作差值,在差值大于差阈值时判断车辆故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010758505.XA CN111815201B (zh) | 2020-07-31 | 2020-07-31 | 一种新能源汽车连续抽样体系的建立及泛特征测定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010758505.XA CN111815201B (zh) | 2020-07-31 | 2020-07-31 | 一种新能源汽车连续抽样体系的建立及泛特征测定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111815201A true CN111815201A (zh) | 2020-10-23 |
CN111815201B CN111815201B (zh) | 2022-11-29 |
Family
ID=72864424
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010758505.XA Active CN111815201B (zh) | 2020-07-31 | 2020-07-31 | 一种新能源汽车连续抽样体系的建立及泛特征测定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111815201B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102437385A (zh) * | 2011-12-12 | 2012-05-02 | 中国电力科学研究院 | 一种电动汽车动力电池梯次利用的分级方法 |
CN103185862A (zh) * | 2011-12-31 | 2013-07-03 | 上海汽车集团股份有限公司 | 汽车起动机中的直流电机故障的诊断方法和装置 |
CN103399282A (zh) * | 2013-08-07 | 2013-11-20 | 清华大学 | 电池单体故障诊断方法 |
CN105762869A (zh) * | 2016-03-30 | 2016-07-13 | 张家港绿锂动力技术有限公司 | 一种电池组均衡控制方法及系统 |
CN106226698A (zh) * | 2016-07-05 | 2016-12-14 | 北京新能源汽车股份有限公司 | 纯电动汽车续驶里程的测试方法以及系统 |
CN106556802A (zh) * | 2016-11-01 | 2017-04-05 | 东软集团股份有限公司 | 一种蓄电池组异常单体电池识别方法及装置 |
CN106712037A (zh) * | 2016-11-28 | 2017-05-24 | 武汉大学 | 一种考虑电动汽车充电特性和负荷波动极限的电力系统静态电压稳定性评估方法 |
CN107274670A (zh) * | 2017-07-06 | 2017-10-20 | 盐城工学院 | 校园交通评估方法及装置 |
CN107813773A (zh) * | 2017-10-26 | 2018-03-20 | 重庆长安汽车股份有限公司 | 基于汽车火灾预测的静态电流监测系统 |
CN108709426A (zh) * | 2018-05-31 | 2018-10-26 | 中冶华天工程技术有限公司 | 基于频谱特征双边检测法烧结机漏风故障在线诊断方法 |
CN109031133A (zh) * | 2018-06-06 | 2018-12-18 | 安徽江淮汽车集团股份有限公司 | 一种动力电池的soc修正方法 |
KR101966219B1 (ko) * | 2017-11-21 | 2019-04-08 | 주식회사 글로비즈 | 자동차 부품들의 결함을 진단하는 방법 및 장치 |
CN110741279A (zh) * | 2017-05-16 | 2020-01-31 | 艾尔默斯半导体股份公司 | 经由车辆数据总线从超声系统向数据处理设备传输数据的方法 |
CN111416397A (zh) * | 2019-01-07 | 2020-07-14 | 广州汽车集团股份有限公司 | 电池均衡方法及装置、控制设备、计算机可读存储介质 |
CN111796195A (zh) * | 2020-07-31 | 2020-10-20 | 中国汽车工程研究院股份有限公司 | 一种累积动力电池充放电曲线识别故障电池单体的方法 |
-
2020
- 2020-07-31 CN CN202010758505.XA patent/CN111815201B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102437385A (zh) * | 2011-12-12 | 2012-05-02 | 中国电力科学研究院 | 一种电动汽车动力电池梯次利用的分级方法 |
CN103185862A (zh) * | 2011-12-31 | 2013-07-03 | 上海汽车集团股份有限公司 | 汽车起动机中的直流电机故障的诊断方法和装置 |
CN103399282A (zh) * | 2013-08-07 | 2013-11-20 | 清华大学 | 电池单体故障诊断方法 |
CN105762869A (zh) * | 2016-03-30 | 2016-07-13 | 张家港绿锂动力技术有限公司 | 一种电池组均衡控制方法及系统 |
CN106226698A (zh) * | 2016-07-05 | 2016-12-14 | 北京新能源汽车股份有限公司 | 纯电动汽车续驶里程的测试方法以及系统 |
CN106556802A (zh) * | 2016-11-01 | 2017-04-05 | 东软集团股份有限公司 | 一种蓄电池组异常单体电池识别方法及装置 |
CN106712037A (zh) * | 2016-11-28 | 2017-05-24 | 武汉大学 | 一种考虑电动汽车充电特性和负荷波动极限的电力系统静态电压稳定性评估方法 |
CN110741279A (zh) * | 2017-05-16 | 2020-01-31 | 艾尔默斯半导体股份公司 | 经由车辆数据总线从超声系统向数据处理设备传输数据的方法 |
CN107274670A (zh) * | 2017-07-06 | 2017-10-20 | 盐城工学院 | 校园交通评估方法及装置 |
CN107813773A (zh) * | 2017-10-26 | 2018-03-20 | 重庆长安汽车股份有限公司 | 基于汽车火灾预测的静态电流监测系统 |
KR101966219B1 (ko) * | 2017-11-21 | 2019-04-08 | 주식회사 글로비즈 | 자동차 부품들의 결함을 진단하는 방법 및 장치 |
CN108709426A (zh) * | 2018-05-31 | 2018-10-26 | 中冶华天工程技术有限公司 | 基于频谱特征双边检测法烧结机漏风故障在线诊断方法 |
CN109031133A (zh) * | 2018-06-06 | 2018-12-18 | 安徽江淮汽车集团股份有限公司 | 一种动力电池的soc修正方法 |
CN111416397A (zh) * | 2019-01-07 | 2020-07-14 | 广州汽车集团股份有限公司 | 电池均衡方法及装置、控制设备、计算机可读存储介质 |
CN111796195A (zh) * | 2020-07-31 | 2020-10-20 | 中国汽车工程研究院股份有限公司 | 一种累积动力电池充放电曲线识别故障电池单体的方法 |
Non-Patent Citations (4)
Title |
---|
LESZEK JARZEBOWICZ 等: "Frequency and time domain characteristics of digital control of electric vehicle in-wheel drives", 《THICK FILM REGISTOR TESTING BY ELECTRO-ULTRASONIC SPECTROSCOPY WITH DC ELECTRIC SIGNAL》 * |
舒红 等: "自动驾驶汽车基础测试场景构建研究", 《中国公路学报》 * |
董燕飞: "电动汽车锂电电源直流供电系统设计", 《现代电子技术》 * |
陈豪等: "储能锂电池运行状态综合评估指标研究", 《中国电力》 * |
Also Published As
Publication number | Publication date |
---|---|
CN111815201B (zh) | 2022-11-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113064939B (zh) | 一种新能源车辆三电系统安全特征数据库构建方法 | |
CN108872863B (zh) | 一种优化分类的电动汽车充电状态监测方法 | |
CN109552338B (zh) | 一种纯电动汽车生态驾驶行为评估方法及系统 | |
CN104635163A (zh) | 一种电动车电池组soh在线估算预警方法 | |
CN111352032A (zh) | 一种锂电池动态峰值功率预测方法 | |
CN113093041A (zh) | 一种新能源汽车动力系统电池健康状态远程数据采集和诊断分析系统 | |
CN113109729B (zh) | 基于加速老化试验与实车工况的车用动力电池soh评估方法 | |
CN112363061A (zh) | 一种基于大数据的热失控风险评估方法 | |
CN116609676B (zh) | 一种基于大数据处理的混合储能电池状态监控方法及系统 | |
CN111823920A (zh) | 一种使用车辆充电数据对充电桩健康状态的监测方法 | |
CN115454980A (zh) | 一种电池安全监测的数据质量诊断方法、装置及储存介质 | |
Zou et al. | Quantifying electric vehicle battery’s ohmic resistance increase caused by degradation from on-board data | |
JP2023063233A (ja) | 作業条件識別に基づく一車用エアコンのエネルギー消費量の予測方法および予測装置 | |
CN115655730A (zh) | 重型柴油车PEMS测试中NOx排放的计算方法 | |
CN111581796A (zh) | 一种插电式混合动力汽车关键技术测评系统 | |
CN114966411A (zh) | 一种基于电池充电片段数据快速进行电池容量估算的方法 | |
CN114646888A (zh) | 一种动力电池容量衰减的评估方法及系统 | |
CN111815201B (zh) | 一种新能源汽车连续抽样体系的建立及泛特征测定方法 | |
CN111882697B (zh) | 一种基于概率突变法则的电压异常单体的识别算法 | |
CN111239606A (zh) | 一种新能源汽车动力电池性能衰减检测方法 | |
CN112748343B (zh) | 一种动力电池功率边界的检测方法、装置及电动汽车 | |
CN116404277A (zh) | 车辆电池多维度监控预警方法、装置及车联网服务器 | |
CN115648942A (zh) | 一种新能源汽车锂电池充放电管理系统及方法 | |
CN115544900A (zh) | 一种基于Shap算法分析电动车续航里程影响因素的方法 | |
Xiao et al. | Lithium-ion batteries fault diagnosis based on multi-dimensional indicator |
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 |