CN112622676A - 一种动力电池安全充电的监测方法及系统 - Google Patents

Abstract

本发明公开了一种动力电池安全充电的监测方法及系统，其中，所述方法包括：利用电池的历史充电数据训练生成安全监测模型；定时采集充电电池的实时电池参数；将所述实时电池参数输入所述安全监测模型中，以监测所述充电电池的安全状态。本发明利用相对稳定的历史充电过程数据，建立安全事故防护模型，再通过主动的方式获得充电电池的实时电池参数，将实时电池参数输入模型之后，可以以提前侦测出各类新能源电动汽车动力电池的安全状态，进而真正达到预防动力电池安全事故的目的，该方式更加及时和有效。

Description

一种动力电池安全充电的监测方法及系统

技术领域

本发明涉及新能源汽车充电技术领域，特别涉及一种动力电池安全充电的监测方法及系统。

背景技术

针对当前新能源汽车的大力推广，技术快速升级，动力电池容量也随着车辆的续航里程被动增加，目前NEDC数据400公里的车辆几乎全部配备50KWh以上容量的电池。为了提高用户体验、缩短充电时长、对电池的充电功率要求也越来越大。因此，直流大功率充电成为未来发展的趋势，然而充电功率越大，给动力电池带来的危险因素也就越多。

当下最为普遍的保护策略是，充电桩被动的根据电池管理系统的开关机指令报文进行充电、停机，根据电池的需求报文调整输出电压，电流等。接收电池管理系统的故障报文进行告警停机等，以上类似都是通过实时电池参数进行相关的保护策略和启停控制。

针对于这种根据电池实时数据超过告警阈值，来进行充电安全事故规避的方法比较被动，而且告警不及时，一旦发生触发参数阈值的告警后，有很大概率这种安全事故已不可避免。

发明内容

为了解决现有技术的问题，本发明实施例提供了一种动力电池安全充电的监测方法及系统。所述技术方案如下：

第一方面，提供了一种动力电池安全充电的监测方法，所述方法包括：

利用电池的历史充电数据训练生成安全监测模型；

定时采集充电电池的实时电池参数；

将所述实时电池参数输入所述安全监测模型中，以监测所述充电电池的安全状态。

进一步的，所述历史充电数据包括电池参数、充电状态信息以及电池型号，其中所述电池参数包括电池的最高温度值、最高单体电压值、当前电压值、当前电流值、需求电压、需求电流、最低单体电压值、电池最低温度、环境温度、充电时长、已充电量以及当前荷电状态中的一种或多种。

进一步的，所述利用电池的历史充电数据训练生成安全监测模型的步骤，包括：

采集各充电桩的历史充电数据；

按照电池型号对所述历史充电数据进行分类；

利用分类好的历史充电数据训练生成各型号电池的安全监测模型。

进一步的，所述采集各充电桩的历史充电数据的步骤，包括：

充电桩向LVS集群发送历史充电数据；

所述LVS集群在获得所述历史充电数据之后，通过负载均衡方式向Flume集群发送所述历史充电数据；

所述Flume集群将所述历史充电数据保存至HDFS集群中。

进一步的，所述利用分类好的历史充电数据训练生成各型号电池的安全监测模型的步骤，包括：

利用所述历史充电数据中的电池参数确定特征值；

利用所述历史充电数据中的充电状态信息确定标签；

利用所述特征值和所述标签训练各型号电池的安全监测模型。

进一步的，所述定时采集充电电池的实时电池参数的步骤，包括：

充电桩向LVS集群发送所述充电电池的实时电池参数；

所述LVS集群在获取所述充电电池的实时电池参数之后，通过负载均衡方式将所获取的实时电池参数发送至Flume集群进行过滤；

所述Flume集群将过滤之后的所述实时电池参数缓存至Kafka集群；

Flink集群从所述Kafka集群中获取所述实时电池参数，以进行监测。

第二方面，提供了一种动力电池安全充电的监测系统，所述系统包括：

模型生成模块，用于利用电池的历史充电数据训练生成安全监测模型；

采集模块，用于定时采集充电电池的实时电池参数；

监测模块，用于将所述实时电池参数输入所述安全监测模型中，以监测所述充电电池的安全状态。

进一步的，所述历史充电数据包括电池参数、充电状态信息以及电池型号，其中所述电池参数包括电池的最高温度值、最高单体电压值、当前电压值、当前电流值、需求电压、需求电流、最低单体电压值、电池最低温度、环境温度、充电时长、已充电量以及当前荷电状态中的一种或多种。

进一步的，所述模型生成模块，用于：

采集各充电桩的历史充电数据；

按照电池型号对所述历史充电数据进行分类；

利用分类好的历史充电数据训练生成各型号电池的安全监测模型。

进一步的，所述模型生成模块包括LVS集群、Flume集群以及HDFS集群，在采集各充电桩的历史充电数据的步骤中，

所述LVS集群，用于在从充电桩获得所述历史充电数据之后，通过负载均衡方式向Flume集群发送所述历史充电数据；

所述Flume集群，用于将所述历史充电数据保存至HDFS集群中。

进一步的，所述模型生成模块，用于：

利用所述历史充电数据中的电池参数确定特征值；

利用所述历史充电数据中的充电状态信息确定标签；

利用所述特征值和所述标签训练各型号电池的安全监测模型。

进一步的，所述采集模块包括LVS集群、Flume集群以及Kafka集群；

LVS集群，用于在从充电桩获取充电电池的实时电池参数之后，通过负载均衡方式将所获取的实时电池参数发送至Flume集群进行过滤；

Flume集群，用于将过滤之后的所述实时电池参数缓存至Kafka集群，以使所述监测模块从所述Kafka集群中获取所述实时电池参数，进行监测。

本发明实施例利用相对稳定的历史充电过程数据，建立安全事故防护模型，再通过主动的方式获得充电电池的实时电池参数，将实时电池参数输入模型之后，可以以提前侦测出各类新能源电动汽车动力电池的安全状态，进而真正达到预防动力电池安全事故的目的，该方式要比通过对比安全阈值和接收电池管理系统故障告警方式更加及时和有效。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述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的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的一种动力电池安全充电的监测方法的流程图；

图2是本发明实施例提供的一种动力电池安全充电的监测系统的结构框图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

参照图1，为本发明实施例提供的一种动力电池安全充电的监测方法的流程图，该方法可以由监测系统来执行，该方法具体包括以下步骤。

步骤101，利用电池的历史充电数据训练生成安全监测模型。

在实施中，监测系统可以预先引入创建好的安全监测模型，以利用安全监测模型监测充电电池的安全状态。该安全监测模型的生成过程可以包括：采集各充电桩的历史充电数据，按照电池型号对所述历史充电数据进行分类，利用分类好的历史充电数据训练生成各型号电池的安全监测模型。

各地充电桩在为新能源汽车充电时，均会生成以及保存电池的历史充电数据(充电日志)，经过日积月累，能够形成用以训练安全监测模型大数据。历史充电数据可以包括电池参数、充电状态信息以及电池型号。其中电池参数可以包括电池的最高温度值、最高单体电压值、当前电压值、当前电流值、需求电压、需求电流、最低单体电压值、电池最低温度、环境温度、充电时长、已充电量以及当前荷电状态(State of Charge，SOC)中的一种或多种。

其中，荷电状态又叫剩余电量，是反应电池当前电量占总体可用容量百分比的一个参数，其可以替代时间用于表示电池参数中各个维度数据的走势情况。充电状态信息可以包括电池状态信息、告警信息、电池中止充电信息、电池终止充电故障原因、终止充电错误原因等用于说明电池充电结果的信息。

历史充电数据中的电池参数与充电状态信息之间有一定的映射关系，在对大数据分析时，可以通过电池参数中各个维度数据的走势预测出电池的充电状态信息。

本发明实施例利用各电池型号的电池参数和充电状态信息训练生成各型号电池的安全监测模型，以通过该安全监测模型预测出实时电池参数所映射的充电状态信息，及时做出故障告警。训练生成各型号电池的安全监测模型的流程具体可以包括：利用历史充电数据中的电池参数确定特征值；利用历史充电数据中的充电状态信息确定标签；利用该特征值和该标签训练各型号电池的安全监测模型。在训练安全监测模型时，可以基于这些充电状态信息将电池每次的充电结果归纳为正常、不安全和隐患。也就是说，可以将正常、不安全和隐患作为结果标签训练模型。

例如，当电池极值单体电压出现骤增或骤减时，安全监测模型可以预测出电池不安全；如果在电池的SOC为50％时，充电电流高出正常电流值预设范围，安全监测模型可以预测出电池不安全；从电池SOC为20％开始计算，已充电量已超过模型规定的范围，也没有将电池SOC充到50％，安全监测模型可以预测出电池不安全。

需要说明的是，用于训练生成安全监测模型的历史充电数据可以根据具体场景所需进行适应性调整，本发明实施例不对该实时电池参数进行具体限定。

监测系统中用于采集充电桩的历史充电数据的设备可以包括LVS集群、Flume集群以及HDFS集群。其中，LVS是Linux Virtual Server的简写，意即Linux虚拟服务器。Flume集群是一个分布式、可靠、和高可用的海量日志聚合的系统，支持在系统中定制各类数据发送方，用于收集数据。HDFS是Hadoop Distributed File System的简写，意即Hadoop分布式文件系统，其能提供高吞吐量的数据访问，非常适合大规模数据集上的应用。

其中，监测系统采集各充电桩的历史充电数据的步骤，可以包括：充电桩向LVS集群发送历史充电数据；LVS集群在获得历史充电数据之后，通过负载均衡方式向Flume集群发送该历史充电数据；Flume集群将历史充电数据保存至HDFS集群中。

在生成安全监测模型的过程中，可以利用计算引擎，例如Spark对历史充电数据进行分类。具体的，计算引擎从HDFS集群获取历史充电数据，然后按照电池型号对历史充电数据进行分类，以训练生成各型号电池的安全监测模型。

步骤102，定时采集充电电池的实时电池参数。

该实时电池参数包括当前充电电池的最高温度值、最高单体电压值、当前电压值、当前电流值、需求电压、需求电流、最低单体电压值、电池最低温度、环境温度、充电时长、已充电量以及当前荷电状态中的一种或多种。该实时电池参数与上述历史充电数据中的电池参数种类相同。相应的，用于监测电池充电安全状态的实时电池参数也可以根据具体场景所需进行适应性调整，本发明实施例不对该实时电池参数进行具体限定。

当充电桩在为新能源汽车充电时，充电桩可以实时获取充电电池的实时电池参数，监测系统可以定时从充电桩中采集充电电池的实时电池参数，例如每100ms采集一次。监测系统中用于采集充电电池实时电池参数的设备可以包括LVS集群、Flume集群、Kafka集群以及Flink集群。

充电桩向LVS集群发送充电电池的实时电池参数，LVS集群在获取充电电池的实时电池参数之后，通过负载均衡方式将所获取的实时电池参数发送至Flume集群进行过滤。Flume集群是一个分布式、可靠、和高可用的海量日志聚合的系统。Flume集群可以提供对数据进行简单处理，并写到各种数据接受方(可定制)的能力。在定时采集充电电池实时电池参数的过程中，Flume集群可以对获取到的实时电池参数进行过滤，以过滤掉不合法的数据。然后Flume集群将过滤之后的实时电池参数缓存至Kafka集群，Flink集群再从Kafka集群的消息队列中获取实时电池参数，以进行监测。其中，Flink是属于一种分布式流数据流引擎，能够以数据并行和流水线方式执行任意流数据程序，Flink的流水线运行时系统可以执行批处理和流处理程序。此外，Flink的运行时本身也支持迭代算法的执行。

也就是说，监测系统定时采集充电电池的实时电池参数的步骤，可以包括：充电桩向LVS集群发送所述充电电池的实时电池参数；LVS集群在获取充电电池的实时电池参数之后，通过负载均衡方式将所获取的实时电池参数发送至Flume集群进行过滤；Flume集群将过滤之后的所述实时电池参数缓存至Kafka集群；Flink集群从所述Kafka集群中获取所述实时电池参数，以进行监测。

步骤103，将所述实时电池参数输入所述安全监测模型中，以监测所述充电电池的安全状态。

在本发明实施例中，可以由监测系统中的Flink集群对电池的实时电池参数进行监测。也就是说，Flink集群可以引用安全监测模型，以监测充电电池的安全状态。

监测系统在监测充电电池的安全状态时，可以先获取当前充电电池的型号，然后将采集到的实时电池参数输入相应型号的安全监测模型中，进行安全监测。安全监测模型输出结果可以包括正常、不安全和隐患。安全监测模型每侦测完一次充电电池的实时电池参数，可以利用当前侦测数据进行反复迭代，从而丰富优化模型。

本发明实施例可以通过大数据手段对各种电池型号的充电过程建立安全监测模型，监测某种型号电池的充电过程，从安全监测模型通过，一旦有超出安全监测模型的参数，立即进行异常处理，做到电池事故前就监测出参数异常趋势，以及时进行补救。

监测系统在通过安全监测模型检测到充电电池出现异常时，进行异常处理，例如立即停止充电行为，并给出定向告警以及维护提示。

本发明实施例利用相对稳定的历史充电过程数据，建立安全事故防护模型，再通过主动的方式获得充电电池的实时电池参数，将实时电池参数输入模型之后，可以以提前侦测出各类新能源电动汽车动力电池的安全状态，进而真正达到预防动力电池安全事故的目的，该方式要比通过对比安全阈值和接收电池管理系统故障告警方式更加及时和有效。

参照图2，为本发明实施例提供的一种动力电池安全充电的监测系统的结构框图，该系统可以包括：

模型生成模块201，用于利用电池的历史充电数据训练生成安全监测模型；

采集模块202，用于定时采集充电电池的实时电池参数；

监测模块203，用于将所述实时电池参数输入所述安全监测模型中，以监测所述充电电池的安全状态。

进一步的，所述历史充电数据包括电池参数、充电状态信息以及电池型号，其中所述电池参数包括电池的最高温度值、最高单体电压值、当前电压值、当前电流值、需求电压、需求电流、最低单体电压值、电池最低温度、环境温度、充电时长、已充电量以及当前荷电状态中的一种或多种。

进一步的，所述模型生成模块201，用于：

采集各充电桩的历史充电数据；

按照电池型号对所述历史充电数据进行分类；

利用分类好的历史充电数据训练生成各型号电池的安全监测模型。

进一步的，所述模型生成模块201包括LVS集群、Flume集群以及HDFS集群，在采集各充电桩的历史充电数据的步骤中，

所述LVS集群，用于在从充电桩获得所述历史充电数据之后，通过负载均衡方式向Flume集群发送所述历史充电数据；

所述Flume集群，用于将所述历史充电数据保存至HDFS集群中。

进一步的，所述模型生成模块201，用于：

利用所述历史充电数据中的电池参数确定特征值；

利用所述历史充电数据中的充电状态信息确定标签；

利用所述特征值和所述标签训练各型号电池的安全监测模型。

进一步的，所述采集模块202包括LVS集群、Flume集群以及Kafka集群；

LVS集群，用于在从充电桩获取充电电池的实时电池参数之后，通过负载均衡方式将所获取的实时电池参数发送至Flume集群进行过滤；

Flume集群，用于将过滤之后的所述实时电池参数缓存至Kafka集群，以使所述监测模块203从所述Kafka集群中获取所述实时电池参数，进行监测。

本发明实施例利用相对稳定的历史充电过程数据，建立安全事故防护模型，再通过主动的方式获得充电电池的实时电池参数，将实时电池参数输入模型之后，可以以提前侦测出各类新能源电动汽车动力电池的安全状态，进而真正达到预防动力电池安全事故的目的，该方式要比通过对比安全阈值和接收电池管理系统故障告警方式更加及时和有效。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (10)

1.一种动力电池安全充电的监测方法，其特征在于，所述方法包括：

利用电池的历史充电数据训练生成安全监测模型；

定时采集充电电池的实时电池参数；

将所述实时电池参数输入所述安全监测模型中，以监测所述充电电池的安全状态。

2.根据权利要求1所述的方法，其特征在于，所述历史充电数据包括电池参数、充电状态信息以及电池型号，其中所述电池参数包括电池的最高温度值、最高单体电压值、当前电压值、当前电流值、需求电压、需求电流、最低单体电压值、电池最低温度、环境温度、充电时长、已充电量以及当前荷电状态中的一种或多种。

3.根据权利要求1所述的方法，其特征在于，所述利用电池的历史充电数据训练生成安全监测模型的步骤，包括：

采集各充电桩的历史充电数据；

按照电池型号对所述历史充电数据进行分类；

利用分类好的历史充电数据训练生成各型号电池的安全监测模型。

4.根据权利要求3所述的方法，其特征在于，所述采集各充电桩的历史充电数据的步骤，包括：

充电桩向LVS集群发送历史充电数据；

所述LVS集群在获得所述历史充电数据之后，通过负载均衡方式向Flume集群发送所述历史充电数据；

所述Flume集群将所述历史充电数据保存至HDFS集群中。

5.根据权利要求3所述的方法，其特征在于，所述利用分类好的历史充电数据训练生成各型号电池的安全监测模型的步骤，包括：

利用所述历史充电数据中的电池参数确定特征值；

利用所述历史充电数据中的充电状态信息确定标签；

利用所述特征值和所述标签训练各型号电池的安全监测模型。

6.根据权利要求1所述的方法，其特征在于，所述定时采集充电电池的实时电池参数的步骤，包括：

充电桩向LVS集群发送所述充电电池的实时电池参数；

所述LVS集群在获取所述充电电池的实时电池参数之后，通过负载均衡方式将所获取的实时电池参数发送至Flume集群进行过滤；

所述Flume集群将过滤之后的所述实时电池参数缓存至Kafka集群；

Flink集群从所述Kafka集群中获取所述实时电池参数，以进行监测。

7.一种动力电池安全充电的监测系统，其特征在于，所述系统包括：

模型生成模块，用于利用电池的历史充电数据训练生成安全监测模型；

采集模块，用于定时采集充电电池的实时电池参数；

监测模块，用于将所述实时电池参数输入所述安全监测模型中，以监测所述充电电池的安全状态。

8.根据权利要求7所述的系统，其特征在于，所述历史充电数据包括电池参数、充电状态信息以及电池型号，其中所述电池参数包括电池的最高温度值、最高单体电压值、当前电压值、当前电流值、需求电压、需求电流、最低单体电压值、电池最低温度、环境温度、充电时长、已充电量以及当前荷电状态中的一种或多种。

9.根据权利要求7所述的系统，其特征在于，所述模型生成模块，用于：

采集各充电桩的历史充电数据；

按照电池型号对所述历史充电数据进行分类；

利用分类好的历史充电数据训练生成各型号电池的安全监测模型。

10.根据权利要求9所述的系统，其特征在于，所述模型生成模块，用于：

利用所述历史充电数据中的电池参数确定特征值；

利用所述历史充电数据中的充电状态信息确定标签；

利用所述特征值和所述标签训练各型号电池的安全监测模型。

Images