CN112114268A - 基于嵌入式ai算法的批量电芯外特征故障预测方法 - Google Patents
基于嵌入式ai算法的批量电芯外特征故障预测方法 Download PDFInfo
- Publication number
- CN112114268A CN112114268A CN202010873106.8A CN202010873106A CN112114268A CN 112114268 A CN112114268 A CN 112114268A CN 202010873106 A CN202010873106 A CN 202010873106A CN 112114268 A CN112114268 A CN 112114268A
- Authority
- CN
- China
- Prior art keywords
- battery
- soc
- algorithm
- value
- embedded
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000005540 biological transmission Effects 0.000 claims abstract description 7
- 238000012544 monitoring process Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 101100257262 Caenorhabditis elegans soc-1 gene Proteins 0.000 claims description 3
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 claims description 3
- 229910001416 lithium ion Inorganic materials 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 abstract description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- 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]
- G01R31/3644—Constructional arrangements
- G01R31/3648—Constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
-
- 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]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- 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
- G01R31/387—Determining ampere-hour charge capacity or SoC
- G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage measurements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Secondary Cells (AREA)
Abstract
本发明涉及电芯维护技术领域，尤其是基于嵌入式AI算法的批量电芯外特征故障预测方法；它包括在每个充电单元设置嵌入式主控板，嵌入式主控板连接有电压传感器和电流传感器；嵌入式主控板内置SOC和电池剩余寿命算法；嵌入式主控板通过有线或者无线传输机构连接内存装置，用于SOC和电池剩余寿命信息；根据SOC和电池剩余寿命信息进行电芯外特征故障预测；直接在终端对正在充电的电池进行简单的参数计算，并通过累计参数历史数据对电池的电芯外特征故障进行预测，由于采用嵌入式系统，通过物联网系统可实现批量的电池监控管理。
Description
技术领域
本发明涉及电芯维护技术领域，尤其是基于嵌入式AI算法的批量电芯外特征故障预测方法。
背景技术
目前动力电池，例如纯电动汽车的电池，其批量充电的方式是将各个电池放入单独的充电桩或者类似机构中，然后通过单独的充电控制电路板进行充电控制，该控制电路板通常包括整流装置、升压装置、充电装置和充电保护装置，其中充电保护装置可以在感知电池充满电后断开充电装置的连接并提醒工作人员将电池取出。
由于每个电池本身的电芯状态不同，每个充电桩的实际充电功率也存在差异，那么维保人员只能在充电管理过程中提取出诸如某个电池的充电时长、有无热失控等异常现象这些表象，而至于电芯状态、SOC、电池剩余寿命等则无法进一步获得。
发明内容
针对现有技术的不足，本发明提供一种基于嵌入式AI算法的批量电芯外特征故障预测方法，该方法可以在离线的情况下获得批量电池的参数信息，从而预测电芯出现外特征故障(例如鼓包、热失控)。
本发明的技术方案为：
基于嵌入式AI算法的批量电芯外特征故障预测方法，其特征在于：它包括以下步骤：
步骤一，在每个充电单元设置嵌入式主控板，嵌入式主控板连接有电压传感器和电流传感器；
步骤二，嵌入式主控板内置SOC和电池剩余寿命算法；
步骤三，嵌入式主控板通过有线或者无线传输机构连接内存装置，用于SOC和电池剩余寿命信息；
步骤四，嵌入式主控板通过有线或者无线传输机构外接云端服务器，用于交换数据以及获得远程操控指令；
步骤五，根据SOC和电池剩余寿命信息进行电芯外特征故障预测。
具体的，所述SOC算法为：
一、上电校准SOC读取系统上电初始时的SOC值和开路电压校准的SOC值，并将两组SOC值进行比较得到基准SOC值；
a、在系统上电初始时，从带电可擦可编程只读存储器中读取掉电前存入的SOC值，为SOC0；
b、电池管理系统采用每一个电池的压力值，取最低电池值，通过查表做线性差值计算得出与开路电压相对应的SOC值，为SOC1；
c、将两个SOC值(SOC0和SOC1)，如果ABS(SOC0-SOC1)>5，则SOC＝SOC1，否则为SOC＝SOC0，即如果差值小于5％，则初始SOC值以掉电时存入带电可擦可编程只读存储器的值为准，否则以开路电压校准的SOC为准；
二、系统在运行过程中以第一步中得到的SOC值为基准来计算电池包的SOC值；
三、系统下电时将当前SOC值进行储存以供下次上电时参考；
四、当电池包连接充电器时，如果SOC为0，则开始进行可用容量的校准，此时记录下电池包从0到充电截止为止的全部电量，即为电池包当前的可用容量，并将其进行储存；如果充电没有到截止电压就中断，则放弃此次可用容量标记。
具体的，所述电池剩余寿命算法为：
S1、采集每节锂离子电池每个使用周期内的电池容量数据，构建数据集，根据设定的每节电池寿命最大值和周期数，获得不同周期下每节电池的剩余寿命；
S2、将S1中的数据集作为训练数据的输入数据，将对应周期下电池的剩余寿命作为训练数据的输出数据，将所述的输入数据和输出数据带入相关向量机模型中进行训练，得到训练好的容量序列与剩余寿命的映射模型；
S3、将各周期下的待预测电池容量作为训练数据的输入数据，输入到S2中的映射模型中，得到映射模型的输出数据，作为该待预测电池剩余寿命的估计值；
S4、采用卡尔曼滤波方法对所述剩余寿命估计值进行滤波处理，获得待预测电池的剩余寿命估计结果。
具体的，所述电芯外特征故障预测方法为：
将电池的历史监测信号作为原始特征库，通过稀疏自编码算法从原始特征库中提取每一采样时刻的电池的主特征矩阵，基于快速聚类算法搜寻每一采样时刻的聚类中心电池，计算电池的累积偏心距离矩阵，对累积偏心距离矩阵进行归一化处理并设定预警阈值，最终实现电池故障的预测。
本发明的有益效果为：直接在终端对正在充电的电池进行简单的参数计算，并通过累计参数历史数据对电池的电芯外特征故障进行预测，由于采用嵌入式系统，通过物联网系统可实现批量的电池监控管理。
具体实施方式
下面结合具体实施方式作进一步说明：
基于嵌入式AI算法的批量电芯外特征故障预测方法，其特征在于：它包括以下步骤：
步骤一，在每个充电单元设置嵌入式主控板，嵌入式主控板连接有电压传感器和电流传感器；
步骤二，嵌入式主控板内置SOC和电池剩余寿命算法；
步骤三，嵌入式主控板通过有线或者无线传输机构连接内存装置，用于SOC和电池剩余寿命信息；
步骤四，嵌入式主控板通过有线或者无线传输机构外接云端服务器，用于交换数据以及获得远程操控指令；
步骤五，根据SOC和电池剩余寿命信息进行电芯外特征故障预测。
具体的，所述SOC算法为：
一、上电校准SOC读取系统上电初始时的SOC值和开路电压校准的SOC值，并将两组SOC值进行比较得到基准SOC值；
a、在系统上电初始时，从带电可擦可编程只读存储器中读取掉电前存入的SOC值，为SOC0；
b、电池管理系统采用每一个电池的压力值，取最低电池值，通过查表做线性差值计算得出与开路电压相对应的SOC值，为SOC1；
c、将两个SOC值(SOC0和SOC1)，如果ABS(SOC0-SOC1)>5，则SOC＝SOC1，否则为SOC＝SOC0，即如果差值小于5％，则初始SOC值以掉电时存入带电可擦可编程只读存储器的值为准，否则以开路电压校准的SOC为准；
二、系统在运行过程中以第一步中得到的SOC值为基准来计算电池包的SOC值；
三、系统下电时将当前SOC值进行储存以供下次上电时参考；
四、当电池包连接充电器时，如果SOC为0，则开始进行可用容量的校准，此时记录下电池包从0到充电截止为止的全部电量，即为电池包当前的可用容量，并将其进行储存；如果充电没有到截止电压就中断，则放弃此次可用容量标记。
具体的，所述电池剩余寿命算法为：
S1、采集每节锂离子电池每个使用周期内的电池容量数据，构建数据集，根据设定的每节电池寿命最大值和周期数，获得不同周期下每节电池的剩余寿命；
S2、将S1中的数据集作为训练数据的输入数据，将对应周期下电池的剩余寿命作为训练数据的输出数据，将所述的输入数据和输出数据带入相关向量机模型中进行训练，得到训练好的容量序列与剩余寿命的映射模型；
S3、将各周期下的待预测电池容量作为训练数据的输入数据，输入到S2中的映射模型中，得到映射模型的输出数据，作为该待预测电池剩余寿命的估计值；
S4、采用卡尔曼滤波方法对所述剩余寿命估计值进行滤波处理，获得待预测电池的剩余寿命估计结果。
具体的，所述电芯外特征故障预测方法为：
将电池的历史监测信号作为原始特征库，通过稀疏自编码算法从原始特征库中提取每一采样时刻的电池的主特征矩阵，基于快速聚类算法搜寻每一采样时刻的聚类中心电池，计算电池的累积偏心距离矩阵，对累积偏心距离矩阵进行归一化处理并设定预警阈值，最终实现电池故障的预测。
上述实施例和说明书中描述的只是说明本发明的原理和最佳实施例，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。
Claims (4)
1.基于嵌入式AI算法的批量电芯外特征故障预测方法，其特征在于：它包括以下步骤：
步骤一，在每个充电单元设置嵌入式主控板，嵌入式主控板连接有电压传感器和电流传感器；
步骤二，嵌入式主控板内置SOC和电池剩余寿命算法；
步骤三，嵌入式主控板通过有线或者无线传输机构连接内存装置，用于SOC和电池剩余寿命信息；
步骤四，嵌入式主控板通过有线或者无线传输机构外接云端服务器，用于交换数据以及获得远程操控指令；
步骤五，根据SOC和电池剩余寿命信息进行电芯外特征故障预测。
2.根据权利要求1所述的基于嵌入式AI算法的批量电芯外特征故障预测方法，其特征在于：所述SOC算法为：
一、上电校准SOC读取系统上电初始时的SOC值和开路电压校准的SOC值，并将两组SOC值进行比较得到基准SOC值；
a、在系统上电初始时，从带电可擦可编程只读存储器中读取掉电前存入的SOC值，为SOC0；
b、电池管理系统采用每一个电池的压力值，取最低电池值，通过查表做线性差值计算得出与开路电压相对应的SOC值，为SOC1；
c、将两个SOC值(SOC0和SOC1)，如果ABS(SOC0-SOC1)>5，则SOC＝SOC1，否则为SOC＝SOC0，即如果差值小于5％，则初始SOC值以掉电时存入带电可擦可编程只读存储器的值为准，否则以开路电压校准的SOC为准；
二、系统在运行过程中以第一步中得到的SOC值为基准来计算电池包的SOC值；
三、系统下电时将当前SOC值进行储存以供下次上电时参考；
四、当电池包连接充电器时，如果SOC为0，则开始进行可用容量的校准，此时记录下电池包从0到充电截止为止的全部电量，即为电池包当前的可用容量，并将其进行储存；如果充电没有到截止电压就中断，则放弃此次可用容量标记。
3.根据权利要求1所述的基于嵌入式AI算法的批量电芯外特征故障预测方法，其特征在于：所述电池剩余寿命算法为：
S1、采集每节锂离子电池每个使用周期内的电池容量数据，构建数据集，根据设定的每节电池寿命最大值和周期数，获得不同周期下每节电池的剩余寿命；
S2、将S1中的数据集作为训练数据的输入数据，将对应周期下电池的剩余寿命作为训练数据的输出数据，将所述的输入数据和输出数据带入相关向量机模型中进行训练，得到训练好的容量序列与剩余寿命的映射模型；
S3、将各周期下的待预测电池容量作为训练数据的输入数据，输入到S2中的映射模型中，得到映射模型的输出数据，作为该待预测电池剩余寿命的估计值；
S4、采用卡尔曼滤波方法对所述剩余寿命估计值进行滤波处理，获得待预测电池的剩余寿命估计结果。
4.根据权利要求1所述的基于嵌入式AI算法的批量电芯外特征故障预测方法，其特征在于：所述电芯外特征故障预测方法为：
将电池的历史监测信号作为原始特征库，通过稀疏自编码算法从原始特征库中提取每一采样时刻的电池的主特征矩阵，基于快速聚类算法搜寻每一采样时刻的聚类中心电池，计算电池的累积偏心距离矩阵，对累积偏心距离矩阵进行归一化处理并设定预警阈值，最终实现电池故障的预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010873106.8A CN112114268A (zh) | 2020-08-26 | 2020-08-26 | 基于嵌入式ai算法的批量电芯外特征故障预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010873106.8A CN112114268A (zh) | 2020-08-26 | 2020-08-26 | 基于嵌入式ai算法的批量电芯外特征故障预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112114268A true CN112114268A (zh) | 2020-12-22 |
Family
ID=73803871
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010873106.8A Pending CN112114268A (zh) | 2020-08-26 | 2020-08-26 | 基于嵌入式ai算法的批量电芯外特征故障预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112114268A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113343633A (zh) * | 2021-06-10 | 2021-09-03 | 上海交通大学 | 动力锂电池热失控故障分类及风险预测方法、系统 |
| CN113850979A (zh) * | 2021-09-24 | 2021-12-28 | 重庆云宸新能源科技有限公司 | 一种基于ai算法的电池远程预警系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104330739A (zh) * | 2014-10-22 | 2015-02-04 | 常州格力博有限公司 | 锂电池soc计算方法 |
| CN108960321A (zh) * | 2018-07-02 | 2018-12-07 | 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 |
| CN110095731A (zh) * | 2019-05-06 | 2019-08-06 | 哈尔滨工业大学 | 应用于长寿命空间锂离子电池的剩余寿命直接预测方法 |
-
2020
- 2020-08-26 CN CN202010873106.8A patent/CN112114268A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104330739A (zh) * | 2014-10-22 | 2015-02-04 | 常州格力博有限公司 | 锂电池soc计算方法 |
| CN108960321A (zh) * | 2018-07-02 | 2018-12-07 | 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 |
| CN110095731A (zh) * | 2019-05-06 | 2019-08-06 | 哈尔滨工业大学 | 应用于长寿命空间锂离子电池的剩余寿命直接预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 苏鹏宇: "电动汽车锂离子电池管理系统分析与设计", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
| 高安同 等: "锂离子电池健康预测方法", 《重庆理工大学学报(自然科学)》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113343633A (zh) * | 2021-06-10 | 2021-09-03 | 上海交通大学 | 动力锂电池热失控故障分类及风险预测方法、系统 |
| CN113343633B (zh) * | 2021-06-10 | 2022-04-26 | 上海交通大学 | 动力锂电池热失控故障分类及风险预测方法、系统 |
| CN113850979A (zh) * | 2021-09-24 | 2021-12-28 | 重庆云宸新能源科技有限公司 | 一种基于ai算法的电池远程预警系统 |
| CN113850979B (zh) * | 2021-09-24 | 2023-09-15 | 重庆云宸新能源科技有限公司 | 一种基于ai算法的电池远程预警系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2023185601A1 (zh) | 一种电池健康状态信息确定方法、装置及电池系统 | |
| KR101547006B1 (ko) | 배터리 잔존 용량 추정 장치 및 방법 | |
| CN111198328A (zh) | 一种电池析锂检测方法及电池析锂检测系统 | |
| CN202696179U (zh) | 一种电池管理系统 | |
| CN109870650B (zh) | 电池监控方法及系统 | |
| CN110133536A (zh) | 确定电池组实体内部泄漏电流的指标的系统、方法及设备 | |
| US20140184236A1 (en) | Battery control apparatus and battery system | |
| CN113687234B (zh) | 电池异常识别方法、装置、设备、介质及程序产品 | |
| CN109216803A (zh) | 一种UMDs电池管理系统 | |
| CN112114268A (zh) | 基于嵌入式ai算法的批量电芯外特征故障预测方法 | |
| KR102632629B1 (ko) | 배터리 셀 진단 장치 및 방법 | |
| CN116973782B (zh) | 基于机器学习的新能源汽车保养维护与故障监测诊断方法 | |
| CN117491899B (zh) | 一种移动式储能电源的可靠性诊断系统 | |
| WO2023124733A1 (zh) | 电池的管理方法及管理装置及计算机可读存储介质 | |
| CN117341476B (zh) | 一种电池压差故障预警方法及系统 | |
| CN103986195A (zh) | 铅酸蓄电池管理系统 | |
| US20230391224A1 (en) | System and method for battery diagnosis according to altitude using atmospheric pressure sensor | |
| CN113098084B (zh) | 电池物联网系统 | |
| EP4016101B1 (en) | Battery diagnosis system, power system, and battery diagnosis method | |
| CN114675196A (zh) | 一种电芯的状态检测方法、装置和电子设备 | |
| CN117096976A (zh) | 铅酸电池电量监控系统、方法、电子设备和存储介质 | |
| CN117033887A (zh) | 锂离子电池包模块自放电率计算方法及系统 | |
| CN116893366A (zh) | 用于运行系统以识别设备的电蓄能器的异常的方法和装置 | |
| CN105487014A (zh) | 一种锂电池容量预测方法及装置 | |
| CN111186338A (zh) | 一种快速响应的储能蓄电池bms系统 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20201222 |
|
| WD01 | Invention patent application deemed withdrawn after publication |