CN112946485A - 车辆电池检测方法、存储介质及设备 - Google Patents
车辆电池检测方法、存储介质及设备 Download PDFInfo
- Publication number
- CN112946485A CN112946485A CN202110177434.9A CN202110177434A CN112946485A CN 112946485 A CN112946485 A CN 112946485A CN 202110177434 A CN202110177434 A CN 202110177434A CN 112946485 A CN112946485 A CN 112946485A
- Authority
- CN
- China
- Prior art keywords
- battery
- voltage
- data
- internal resistance
- abnormal
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 38
- 238000013139 quantization Methods 0.000 claims abstract description 63
- 230000010287 polarization Effects 0.000 claims abstract description 61
- 230000008859 change Effects 0.000 claims abstract description 52
- 230000002159 abnormal effect Effects 0.000 claims abstract description 51
- 239000000178 monomer Substances 0.000 claims abstract description 48
- 238000012545 processing Methods 0.000 claims abstract description 32
- 238000003745 diagnosis Methods 0.000 claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 19
- 230000036541 health Effects 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 7
- 238000012216 screening Methods 0.000 claims abstract description 6
- 238000011002 quantification Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 13
- 229940030850 avar Drugs 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 230000001186 cumulative effect Effects 0.000 claims description 6
- 238000013179 statistical model Methods 0.000 claims description 6
- 150000001875 compounds Chemical class 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 6
- 230000005856 abnormality Effects 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000034964 establishment of cell polarity Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
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]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
- B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
- B60L58/16—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to battery ageing, e.g. to the number of charging cycles or the state of health [SoH]
-
- 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
- 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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Secondary Cells (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本申请涉及一种车辆电池检测方法、存储介质及设备，车辆电池检测方法包括：获取车辆启动状态和熄火状态下的数据，对数据进行筛选，得到有效数据；在电池工作状态下提取有效数据的特征参数，特征参数包括单体电池电压变化率特征、单体电池内阻和单体电池极化电压特征；基于多模型对特征参数进行量化处理；通过多模型对发生不同类型故障的车辆和正常车辆进行数据训练，得到电池健康状态和异常量化之间的关系，进行异常单体诊断；建立电池异常状态诊断数据库，并通过电池异常状态诊断数据库判断量化处理后的数据的所属类别。通过本申请，采用多模型对电池健康状态进行实时监控，达到提前预警和针对异常类别进行分类判的目的。
Description
技术领域
本发明涉及信息安全技术领域，特别涉及一种车辆电池检测方法、存储介质及设备。
背景技术
随着新能源汽车在生活和工作中的普及，新能源汽车的安全事故逐年增加，同时出现大量的顾客报怨车辆故障多和售后不急时等问题。
导致这些问题的主要原因之一是目前现有的技术对电池系统的异常或故障判断都是基于电压、压差、温度、温差等参数进行判断，当由这些参数体现出异常而做出判断时，车辆往往处于安全问题和故障比较严重的时候或动力电池已经发生了起火和爆炸等安全事故。
发明内容
基于此，本发明的目的是提供一种车辆电池检测方法、存储介质及设备，可以通过调取车辆运行数据并计算电压变化率、电池内阻和极化电压，采用多模型对电池健康状态进行实时监控，达到提前预警和针对异常类别进行分类判的目的。
本发明提供一种车辆电池检测方法，所述车辆电池检测方法包括：
获取车辆启动状态和熄火状态下的数据，所述数据包括时间、电流、总电池电压和单体电池电压，所述数据为基于时间序列的流式数据；
对所述数据进行有效性筛选处理，得到有效数据；
在电池工作状态下提取有效数据的特征参数，所述特征参数包括单体电池电压变化率特征、单体电池内阻和单体电池极化电压特征；
基于多模型对所述特征参数进行量化处理，
通过多模型对发生不同类型故障的车辆和正常车辆进行数据训练，得到电池健康状态和异常量化之间的关系，并进行异常单体诊断；
建立电池异常状态诊断数据库，并通过所述电池异常状态诊断数据库判断量化处理后的数据的所属类别。
本发明提供的车辆电池检测方法，通过获取车辆运行的相关数据并基于电动汽车实时运行过程的数据计算电压变化率、电池内阻和极化电压，以计算得到的电压变化率、电池内阻和极化电压做为参数，多模型对电池健康状态进行实时监控，并对电池组内异常单体进行识别，达到提前预警和针对异常类别进行分类判的目的。
进一步的，所述在电池工作状态下提取有效数据的特征参数的步骤包括：
提取单体电池电压变化率特征：
其中，j是指单体电池编号，u′j是单体电池j对应的电压变化率，duj是单体电池j在时间t1与t2之间的电压差，dt是时间t1与t2的时间差；
提取单体电池内阻和极化电压特征：
单体电池内阻计算公式：
R＝u1-u2
单体电池极化电压计算公式：
Upol＝u2-u3
其中，u1为电池电流归零前电池端电压，u2为电池电流归零后电池端电压，u3为电池电流归零后电池端电压恢复稳定时的电池端电压，R为单体电池内阻，Upol为单体电池极化电压；
通过上述公式可推导单体电池j的内阻和极化电压值：
Rt1,j＝u1t1,j-u2t2,j
Upolt1,j＝u2t2,j-u3t3,j
其中，Rt1,j为单体电池j在时间t1时刻的内阻，Upolt1,j为单体电池j在时间t1时刻的极化电压，u1t1,j、u2t2,j和u3t3,j分别为单体电池j在t1、t2和t3时刻的端电压。
进一步的，所述多模型包括：Z分数模型、统计学模型和角度方差模型。
进一步的，采用Z分数模型对特征参数进行量化处理的步骤包括：
量化特征参数单体电压变化率：
其中，Z_u′i,j为单体电池j在i时刻的电压变化率Z分数，u′i,j为单体电池j在i时刻的电压变化率，u′i,ave和σi,u′分别为i时刻各单体电压变化率的均值和标准差。
量化特征参数单体内阻：
其中，Z_Ri,j为单体电池j在i时刻的电池内阻Z分数，Ri,j为单体电池j在i时刻的内阻，Ri,ave和σi,R分别为i时刻各单体内阻的均值和标准差。
量化特征参数极化电压：
其中，Z_Upoli,j为单体电池j在i时刻的电池极化电压Z分数，Upoli,j为单体电池j在i时刻的极化电压，Upoli,ave和σi,Upol分别为i时刻各单体极化电压的均值和标准差。
进一步的，采用统计学模型对特征参数进行量化处理的步骤包括：
量化特征参数单体电压变化率：
其中，H_u′j为t1-t2时间段内j号单体电池电压变化率的累计偏差，u_total′t为t时刻各单体电池电压变化率之和，u′t,j为单体电池j在t时刻的电压变化率，n为电池单体个数。
量化特征参数单体内阻：
其中，H_Rj为t1-t2时间段内j号单体电池内阻的累计偏差，R_totalt为t时刻各单体电池内阻之和，Rt,j为单体电池j在t时刻的内阻，n为电池单体个数。
量化特征参数极化电压：
其中，H_Upolj为t1-t2时间段内j号单体电池极化电压的累计偏差，Upol_totalt为t时刻各单体极化电压之和，Upolt,j为单体电池j在t时刻的极化电压，n为电池单体个数。
进一步的，采用角度方差模型对特征参数进行量化处理的步骤包括：
量化特征参数单体电压变化率：
其中，Avar_u′为任意两单体电压变化率夹角余弦集方差，CalVar为求方差，
和
为电池组内任意两单体电池电压变化率形成的向量。
量化特征参数单体内阻：
其中，Avar_R为任意两单体内阻夹角余弦集方差，CalVar为求方差，
和
为电池组内任意两单体电池内阻形成的向量。
量化特征参数极化电压：
其中，Avar_Upol为任意两单体极化电压余弦集方差，CalVar为求方差，
和
为电池组内任意两单体极化电压形成的向量。
进一步的，所述进行异常单体诊断的步骤包括：
建立多参数模型量化矩阵：
其中，Wi,j：i为记录数据的时刻(i＝1,2,…,n)，j为量化参数个数(j＝1,2,…,s)，n为数据记录的条数；
Z分数量化矩阵为：
数统计学模型量化矩阵为：
MH1×3＝[H_u′j H_Rj H_Upolj]
角度方差量化矩阵为：
MH1×3＝[Avar_u′ Avar_R Avar_Upol]
量化矩阵量化处理：
由
可知，其中
进一步得出
G＝[G1,…,GS]；
建立多参数多模型矩阵：
由量化矩阵量化处理可得：
GM＝[GM1 GM2 GM3]
将GM＝[GM1 GM2 GM3]与异常诊断数据库的值比较，判断通过量化处理后的数据所属类别。
进一步的，所述并通过所述电池异常状态诊断数据库判断量化处理后的数据的所属类别的步骤之后还包括：
每间隔时间段将GM＝[GM1 GM2 GM3]的值与电池异常状态诊断数据库中的数值进行对比；
当GM＝[GM1 GM2 GM3]的值在异常范围区间内时，进一步比对GM＝[GM1 GM2 GM3]的值并确定异常等级；
根据确定的异常等级控制输出报警类型。
本发明还提出一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的车辆电池检测方法。
本发明还提出一种设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述的车辆电池检测方法。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实施例了解到。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本发明第一实施例提出的车辆电池检测方法流程图；
图2为本发明第一实施中对所述数据进行有效性筛选处理的示意图；
图3为本发明第一实施中电池放电状态下提取有效数据的特征参数的流程图；
图4为本发明第一实施中电池放电过程的内阻和极化电压测量方法示意图；
图5为本发明第一实施例中进行异常单体诊断的步骤流程图；
图6为本发明第一实施例中通过所述电池异常状态诊断数据库判断量化处理后的数据的所属类别的步骤之后的流程图；
图7为根据本申请第一实施例的车辆电池检测设备的硬件结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本申请提供的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似情景。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本申请公开的内容相关的本领域的普通技术人员而言，在本申请揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本申请所描述的实施例在不冲突的情况下，可以与其它实施例相结合。
除非另作定义，本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可以还包括没有列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电气的连接，不管是直接的还是间接的。本申请所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。
本实施例还提供了一种车辆电池检测方法。图1是根据本申请第一实施例提出的车辆电池检测方法的流程图，如图1所示，该流程包括如下步骤：
步骤S10，获取车辆启动状态和熄火状态下的数据。
具体的，所述数据包括时间、电流、总电池电压和单体电池电压，所述数据为基于时间序列的流式数据。在本发明实施例中采集上述基于时间序列的流式数据用于进行数据分析。
步骤S20，对所述数据进行有效性筛选处理，得到有效数据。
可以理解的，由于数据传输环境的复杂性和干扰存在等原因，车辆运行数据中会存在数据不全、数据异常和空数据等一些无效或异常的数据，往往在使用车辆运行数据前需要对运行数据进行处理，以便得到车辆运行实际情况的数据，消除数据输入对模型预警结果的干扰，具体数据筛选处理如图2所示。
步骤S30，在电池工作状态下提取有效数据的特征参数，所述特征参数包括单体电池电压变化率特征、单体电池内阻和单体电池极化电压特征。
本发明实施例中，特征参数提取的方式是在电池放电状态下进行的，以便于在符合实际工况条件下对车辆电池的各种数据参数进行数据分析，使得该车辆电池检测更具有代表性和实用性。具体的，采集的特征参数包括单体电池电压变化率特征、单体电池内阻和单体电池极化电压特征。
步骤S40，基于多模型对所述特征参数进行量化处理。
本发明实施例中，采用多模型对特征参数进行量化处理，避免了单一模型量化处理得到的最终数据存在片面性的问题。本发明实施方式中，采取的量化处理模型不低于两种。
步骤S50，通过多模型对发生不同类型故障的车辆和正常车辆进行数据训练，得到电池健康状态和异常量化之间的关系，并进行异常单体诊断。
可以理解的，每个模型均需要采集各种异常状态的特征参数进行量化处理和模型训练，以达到有效识别判断各种异常状态下量化处理的参数阈值。以实现为进行异常单体诊断进行数据库建立的目的。
步骤S60，建立电池异常状态诊断数据库，并通过所述电池异常状态诊断数据库判断量化处理后的数据的所属类别。
在通过模型训练之后建立的异常状态诊断数据库，再与待检测的特征参数量化处理后的数据进行比对，实现的对于车辆电池的异常诊断效果。
通过上述方式，本发明第一实施例采用的车辆电池检测方法通过获取车辆运行的相关数据并基于电动汽车实时运行过程的数据计算电压变化率、电池内阻和极化电压，以计算得到的电压变化率、电池内阻和极化电压做为参数，多模型对电池健康状态进行实时监控，并对电池组内异常单体进行识别，达到提前预警和针对异常类别进行分类判的目的。
请参阅图3，为本发明在电池工作状态下提取有效数据的特征参数的流程图，其具体步骤包括：
步骤S31，提取单体电池电压变化率特征。
具体的，单体电池电压变化率特征的计算公式如下：
其中，j是指单体电池编号，u′j是单体电池j对应的电压变化率，duj是单体电池j在时间t1与t2之间的电压差，dt是时间t1与t2的时间差。
步骤S32，提取单体电池内阻和极化电压特征。
其中，单体电池内阻计算公式：
R＝u1-u2
单体电池极化电压计算公式：
Upol＝u2-u3
如图4所示，为电池放电状态下提取有效数据的特征参数的流程图，图中u1为电池电流归零前电池端电压，u2为电池电流归零后电池端电压，u3为电池电流归零后电池端电压恢复稳定时的电池端电压，R为单体电池内阻，Upol为单体电池极化电压；
步骤S33，推导单体电池j的内阻和极化电压值：
本发明实施例中，推导单体电池j的内阻和极化电压值的公式如下：
Rt1,j＝u1t1,j-u2t2,j
Upolt1,j＝u2t2,j-u3t3,j
其中，Rt1,j为单体电池j在时间t1时刻的内阻，Upolt1,j为单体电池j在时间t1时刻的极化电压，u1t1,j、u2t2,j和u3t3,j分别为单体电池j在t1、t2和t3时刻的端电压。
在本发明实施例中，多模型包括：Z分数模型、统计学模型和角度方差模型。通过上述三种模型对特征参数进行量化处理。可以理解的，采用上述三种模型对特征参数进行量化处理，有效的规避了单一形式对数据量化处理导致的片面性问题，使得在车辆电池检测相对更加精准和全面。
进一步的，当采用Z分数模型对特征参数进行量化处理时，步骤如下：
量化特征参数单体电压变化率：
其中，Z_u′i,j为单体电池j在i时刻的电压变化率Z分数，u′i,j为单体电池j在i时刻的电压变化率，u′i,ave和σi,u′分别为i时刻各单体电压变化率的均值和标准差。
量化特征参数单体内阻：
其中，Z_Ri,j为单体电池j在i时刻的电池内阻Z分数，Ri,j为单体电池j在i时刻的内阻，Ri,ave和σi,R分别为i时刻各单体内阻的均值和标准差。
量化特征参数极化电压：
其中，Z_Upoli,j为单体电池j在i时刻的电池极化电压Z分数，Upoli,j为单体电池j在i时刻的极化电压，Upoli,ave和σi,Upol分别为i时刻各单体极化电压的均值和标准差。
进一步的，当采用统计学模型对特征参数进行量化处理时，步骤如下：
量化特征参数单体电压变化率：
其中，H_u′j为t1-t2时间段内j号单体电池电压变化率的累计偏差，u_total′t为t时刻各单体电池电压变化率之和，u′t,j为单体电池j在t时刻的电压变化率，n为电池单体个数。
量化特征参数单体内阻：
其中，H_Rj为t1-t2时间段内j号单体电池内阻的累计偏差，R_totalt为t时刻各单体电池内阻之和，Rt,j为单体电池j在t时刻的内阻，n为电池单体个数。
量化特征参数极化电压：
其中，H_Upolj为t1-t2时间段内j号单体电池极化电压的累计偏差，Upol_totalt为t时刻各单体极化电压之和，Upolt,j为单体电池j在t时刻的极化电压，n为电池单体个数。
进一步的，当采用角度方差模型对特征参数进行量化处理时，步骤如下：
量化特征参数单体电压变化率：
其中，Avar_u′为任意两单体电压变化率夹角余弦集方差，CalVar为求方差，
和
为电池组内任意两单体电池电压变化率形成的向量。
量化特征参数单体内阻：
其中，Avar_R为任意两单体内阻夹角余弦集方差，CalVar为求方差，
和
为电池组内任意两单体电池内阻形成的向量。
量化特征参数极化电压：
其中，Avar_Upol为任意两单体极化电压余弦集方差，CalVar为求方差，
和
为电池组内任意两单体极化电压形成的向量。
请参阅图5，在本发明实施例中，所述进行异常单体诊断的步骤包括：
步骤S51，建立多参数模型量化矩阵。
多参数模型量化矩阵为：
其中，Wi,j：i为记录数据的时刻(i＝1,2,…,n)，j为量化参数个数(j＝1,2,…,s)，n为数据记录的条数；
Z分数量化矩阵为：
数统计学模型量化矩阵为：
MH1×3＝[H_u′j H_Rj H_Upolj]
角度方差量化矩阵为：
MH1×3＝[Avar_u′ Avar_R Avar_Upol]
步骤S52，量化矩阵量化处理。
由
可推导出
进一步可推导
进一步可推导
进一步可推导
进一步可推导G＝[G1,…,GS]；
步骤S53，建立多参数多模型矩阵。
由量化矩阵量化处理可得：
GM＝[GM1 GM2 GM3]
步骤S54，将量化矩阵量化处理计算值与异常诊断数据库的值比较，判断通过量化处理后的数据所属类别。
具体的，将量化矩阵量化处理得到的GM＝[GM1 GM2 GM3]与异常诊断数据库的值比较，判断通过量化处理后的数据所属类别。
请参阅图6，为本发明并通过所述电池异常状态诊断数据库判断量化处理后的数据的所属类别的步骤之后的流程图，其步骤具体包括：
步骤S61，每间隔时间段将量化处理后的值与电池异常状态诊断数据库中的数值进行对比。
本发明实施例中通过间隔时间段比对GM＝[GM1 GM2 GM3]的值，实现了对电池的实时状态监控。
步骤S62，当GM＝[GM1 GM2 GM3]的值在异常范围区间内时，进一步比对GM＝[GM1GM2 GM3]的值并确定异常等级。
在进行车辆老化检测过程中，由车辆运行数据通过模拟训练得到量化关系：
由GM＝[GM1 GM2 GM3]可推导
GMCutoff＝[Cutoff1 Cutoff2 Cutoff3]
其中，Cutoff1、Cutoff2和Cutoff3分别为GM1、GM2和GM3对应的量化关系界限值。随后建立电池老化诊断数据库，具体下表所示：
步骤S63，根据确定的异常等级控制输出报警类型。
通过上述方式，达到了实时监控电池健康状态的目的，并且设置分级的报警等级，以便于区分判断电池的故障程度，极大的提升了该电池检测方法的智能性。
需要说明的是，在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
另外，结合图1描述的本申请实施例车辆电池检测方法可以由种车辆电池检测设备来实现。图7为根据本申请实施例的种车辆电池检测设备的硬件结构示意图。
该车辆电池检测设备包括存储器20、处理器10以及存储在存储器上并可在处理器上运行的计算机程序30，所述处理器10执行所述程序30时实现如上述的车辆电池检测方法。
其中，所述车辆电池检测设备具体可以为带有数据库的计算机设备，例如服务器等，处理器10在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器或其他车辆电池检测芯片，用于运行存储器20中存储的程序代码或处理数据，例如执行访问限制程序等。
其中，存储器20至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器20在一些实施例中可以是车辆电池检测设备的内部存储单元，例如该车辆电池检测设备的硬盘。存储器20在另一些实施例中也可以是车辆电池检测设备的外部存储装置，例如车辆电池检测设备上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)等。进一步地，存储器20还可以既包括车辆电池检测设备的内部存储单元也包括外部存储装置。存储器20不仅可以用于存储安装于车辆电池检测设备的应用软件及各类数据，还可以用于暂时地存储已经输出或者将要输出的数据。
综上，本发明提供的车辆电池检测设备，通过获取车辆运行的相关数据并基于电动汽车实时运行过程的数据计算电压变化率、电池内阻和极化电压，以计算得到的电压变化率、电池内阻和极化电压做为参数，多模型对电池健康状态进行实时监控，并对电池组内异常单体进行识别，达到提前预警和针对异常类别进行分类判的目的。
本发明实施例还提出一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述的车辆电池检测方法。
本领域技术人员可以理解，在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或它们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种车辆电池检测方法，其特征在于，所述车辆电池检测方法包括：
获取车辆启动状态和熄火状态下的数据，所述数据包括时间、电流、总电池电压和单体电池电压，所述数据为基于时间序列的流式数据；
对所述数据进行有效性筛选处理，得到有效数据，所述有效数据为包完整的时间、电流、总电池电压和单体电池电压的数据；
在电池工作状态下提取有效数据的特征参数，所述特征参数包括单体电池电压变化率特征、单体电池内阻和单体电池极化电压特征；
基于多模型对所述特征参数进行量化处理；
通过多模型对发生不同类型故障的车辆和正常车辆进行数据训练，得到电池健康状态和异常量化之间的关系，并进行异常单体诊断；
建立电池异常状态诊断数据库，并通过所述电池异常状态诊断数据库判断量化处理后的数据的所属类别。
2.根据权利要求1所述的车辆电池检测方法，其特征在于，所述在电池工作状态下提取有效数据的特征参数的步骤包括：
提取单体电池电压变化率特征：
其中，j是指单体电池编号，u′j是单体电池j对应的电压变化率，duj是单体电池j在时间t1与t2之间的电压差，dt是时间t1与t2的时间差；
提取单体电池内阻和极化电压特征：
单体电池内阻计算公式：
R＝u1-u2
单体电池极化电压计算公式：
Upol＝u2-u3
其中，u1为电池电流归零前电池端电压，u2为电池电流归零后电池端电压，u3为电池电流归零后电池端电压恢复稳定时的电池端电压，R为单体电池内阻，Upol为单体电池极化电压；
通过上述公式可推导单体电池j的内阻和极化电压值：
Rt1，j＝u1t1，j-u2t2，j
Upolt1，j＝u2t2，j-u3t3，j
其中，Rt1，j为单体电池j在时间t1时刻的内阻，Upolt1，j为单体电池j在时间t1时刻的极化电压，u1t1，j、u2t2，j和u3t3，j分别为单体电池j在t1、t2和t3时刻的端电压。
3.根据权利要求1所述的车辆电池检测方法，其特征在于，所述多模型包括：Z分数模型、统计学模型和角度方差模型。
4.根据权利要求3所述的车辆电池检测方法，其特征在于，采用Z分数模型对特征参数进行量化处理的步骤包括：
量化特征参数单体电压变化率：
其中，Z_u′i，j为单体电池j在i时刻的电压变化率Z分数，u′i，j为单体电池j在i时刻的电压变化率，u′i，ave和σi，u′分别为i时刻各单体电压变化率的均值和标准差。
量化特征参数单体内阻：
其中，Z_Ri，j为单体电池j在i时刻的电池内阻Z分数，Ri，j为单体电池j在i时刻的内阻，Ri，ave和σi，R分别为i时刻各单体内阻的均值和标准差。
量化特征参数极化电压：
其中，Z_Upoli，j为单体电池j在i时刻的电池极化电压Z分数，Upoli，j为单体电池j在i时刻的极化电压，Upoli，ave和σi，Upol分别为i时刻各单体极化电压的均值和标准差。
5.根据权利要求3所述的车辆电池检测方法，其特征在于，采用统计学模型对特征参数进行量化处理的步骤包括：
量化特征参数单体电压变化率：
其中，H_u′j为t1-t2时间段内j号单体电池电压变化率的累计偏差，u_total′t为t时刻各单体电池电压变化率之和，u′t，j为单体电池j在t时刻的电压变化率，n为电池单体个数。
量化特征参数单体内阻：
其中，H_Rj为t1-t2时间段内j号单体电池内阻的累计偏差，R_totalt为t时刻各单体电池内阻之和，Rt，j为单体电池j在t时刻的内阻，n为电池单体个数。
量化特征参数极化电压：
其中，H_Upolj为t1-t2时间段内j号单体电池极化电压的累计偏差，Upol_totalt为t时刻各单体极化电压之和，Upolt，j为单体电池j在t时刻的极化电压，n为电池单体个数。
6.根据权利要求3所述的车辆电池检测方法，其特征在于，采用角度方差模型对特征参数进行量化处理的步骤包括：
量化特征参数单体电压变化率：
其中，Avar_u′为任意两单体电压变化率夹角余弦集方差，CalVar为求方差，
和
为电池组内任意两单体电池电压变化率形成的向量。
量化特征参数单体内阻：
其中，Avar_R为任意两单体内阻夹角余弦集方差，CalVar为求方差，
和
为电池组内任意两单体电池内阻形成的向量。
量化特征参数极化电压：
其中，Avar_Upol为任意两单体极化电压余弦集方差，CalVar为求方差，
和
为电池组内任意两单体极化电压形成的向量。
7.根据权利要求4-6任一项所述的车辆电池检测方法，其特征在于，所述进行异常单体诊断的步骤包括：
建立多参数模型量化矩阵：
其中，Wi，j：i为记录数据的时刻(i＝1，2，…，n)，j为量化参数个数(j＝1，2，…，s)，n为数据记录的条数；
Z分数量化矩阵为：
数统计学模型量化矩阵为：
MH1×3＝[H_u′j H_Rj H_Upolj]
角度方差量化矩阵为：
MH1×3＝[Avar_u′ Avar_R Avar_Upol]
量化矩阵量化处理：
由由
可知，其中
进一步得出
G＝[G1，…，GS]；
建立多参数多模型矩阵：
由量化矩阵量化处理可得：
GM＝[GM1 GM2 GM3]
将GM＝[GM1 GM2 GM3]与异常诊断数据库的值比较，判断通过量化处理后的数据所属类别。
8.根据权利要求7所述的车辆电池检测方法，其特征在于，所述并通过所述电池异常状态诊断数据库判断量化处理后的数据的所属类别的步骤之后还包括：
每间隔时间段将GM＝[GM1 GM2 GM3]的值与电池异常状态诊断数据库中的数值进行对比；
当GM＝[GM1 GM2 GM3]的值在异常范围区间内时，进一步比对GM＝[GM1 GM2 GM3]的值并确定异常等级；
根据确定的异常等级控制输出报警类型。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-8任一所述的车辆电池检测方法。
10.一种设备，其特征在于，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如权利要求1-8任一所述的车辆电池检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110177434.9A CN112946485B (zh) | 2021-02-09 | 2021-02-09 | 车辆电池检测方法、存储介质及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110177434.9A CN112946485B (zh) | 2021-02-09 | 2021-02-09 | 车辆电池检测方法、存储介质及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112946485A true CN112946485A (zh) | 2021-06-11 |
| CN112946485B CN112946485B (zh) | 2024-06-21 |
Family
ID=76244663
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110177434.9A Active CN112946485B (zh) | 2021-02-09 | 2021-02-09 | 车辆电池检测方法、存储介质及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112946485B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114062943A (zh) * | 2021-10-21 | 2022-02-18 | 合肥国轩高科动力能源有限公司 | 一种锂离子电池系统极化异常预警方法及系统 |
| CN114312319A (zh) * | 2021-12-15 | 2022-04-12 | 重庆长安新能源汽车科技有限公司 | 基于电压累计值的电池安全监控方法、存储介质及车辆 |
| CN114487888A (zh) * | 2021-12-30 | 2022-05-13 | 国联汽车动力电池研究院有限责任公司 | 一种车辆电池系统异常电池筛选及监测方法 |
| CN115575846A (zh) * | 2022-12-07 | 2023-01-06 | 北京志翔科技股份有限公司 | 电池组健康状态的检测方法、装置、设备及介质 |
| CN115877215A (zh) * | 2022-09-23 | 2023-03-31 | 四川新能源汽车创新中心有限公司 | 电池包状态检测方法及相关装置 |
| WO2023201532A1 (zh) * | 2022-04-19 | 2023-10-26 | 宁德时代新能源科技股份有限公司 | 异常电芯的识别方法、装置、电子设备及存储介质 |
| CN117113453A (zh) * | 2023-08-28 | 2023-11-24 | 上海智租物联科技有限公司 | 基于3d与大数据技术的电池问题诊断方法及存储介质 |
| CN117783731A (zh) * | 2023-12-25 | 2024-03-29 | 托马斯(杭州)汽车科技服务有限公司 | 商用车供用电系统健康状态监测方法、装置及终端 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102017125274B3 (de) * | 2017-10-27 | 2019-03-21 | Borgward Trademark Holdings Gmbh | Verfahren zur Erfassung des Gesundheitszustands einer Batterie, zugehörige Einrichtung, zugehöriges System und Speichermedium |
| CN110133508A (zh) * | 2019-04-24 | 2019-08-16 | 上海博强微电子有限公司 | 电动汽车动力电池的安全预警方法 |
| CN110133525A (zh) * | 2019-05-13 | 2019-08-16 | 哈尔滨工业大学 | 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 |
| CN110927606A (zh) * | 2019-11-05 | 2020-03-27 | 腾讯科技（深圳）有限公司 | 电池状态监测方法、装置 |
| CN112213657A (zh) * | 2020-09-29 | 2021-01-12 | 江西江铃集团新能源汽车有限公司 | 电池预警方法及系统 |
-
2021
- 2021-02-09 CN CN202110177434.9A patent/CN112946485B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102017125274B3 (de) * | 2017-10-27 | 2019-03-21 | Borgward Trademark Holdings Gmbh | Verfahren zur Erfassung des Gesundheitszustands einer Batterie, zugehörige Einrichtung, zugehöriges System und Speichermedium |
| CN110133508A (zh) * | 2019-04-24 | 2019-08-16 | 上海博强微电子有限公司 | 电动汽车动力电池的安全预警方法 |
| CN110133525A (zh) * | 2019-05-13 | 2019-08-16 | 哈尔滨工业大学 | 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 |
| CN110927606A (zh) * | 2019-11-05 | 2020-03-27 | 腾讯科技（深圳）有限公司 | 电池状态监测方法、装置 |
| CN112213657A (zh) * | 2020-09-29 | 2021-01-12 | 江西江铃集团新能源汽车有限公司 | 电池预警方法及系统 |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114062943B (zh) * | 2021-10-21 | 2024-02-09 | 合肥国轩高科动力能源有限公司 | 一种锂离子电池系统极化异常预警方法及系统 |
| CN114062943A (zh) * | 2021-10-21 | 2022-02-18 | 合肥国轩高科动力能源有限公司 | 一种锂离子电池系统极化异常预警方法及系统 |
| CN114312319B (zh) * | 2021-12-15 | 2023-06-02 | 重庆长安新能源汽车科技有限公司 | 基于电压累计值的电池安全监控方法、存储介质及车辆 |
| CN114312319A (zh) * | 2021-12-15 | 2022-04-12 | 重庆长安新能源汽车科技有限公司 | 基于电压累计值的电池安全监控方法、存储介质及车辆 |
| CN114487888A (zh) * | 2021-12-30 | 2022-05-13 | 国联汽车动力电池研究院有限责任公司 | 一种车辆电池系统异常电池筛选及监测方法 |
| WO2023201532A1 (zh) * | 2022-04-19 | 2023-10-26 | 宁德时代新能源科技股份有限公司 | 异常电芯的识别方法、装置、电子设备及存储介质 |
| CN115877215B (zh) * | 2022-09-23 | 2024-01-30 | 四川新能源汽车创新中心有限公司 | 电池包状态检测方法及相关装置 |
| CN115877215A (zh) * | 2022-09-23 | 2023-03-31 | 四川新能源汽车创新中心有限公司 | 电池包状态检测方法及相关装置 |
| CN115575846B (zh) * | 2022-12-07 | 2023-04-25 | 北京志翔科技股份有限公司 | 电池组健康状态的检测方法、装置、设备及介质 |
| CN115575846A (zh) * | 2022-12-07 | 2023-01-06 | 北京志翔科技股份有限公司 | 电池组健康状态的检测方法、装置、设备及介质 |
| CN117113453A (zh) * | 2023-08-28 | 2023-11-24 | 上海智租物联科技有限公司 | 基于3d与大数据技术的电池问题诊断方法及存储介质 |
| CN117113453B (zh) * | 2023-08-28 | 2024-04-26 | 上海智租物联科技有限公司 | 基于3d与大数据技术的电池问题诊断方法及存储介质 |
| CN117783731A (zh) * | 2023-12-25 | 2024-03-29 | 托马斯(杭州)汽车科技服务有限公司 | 商用车供用电系统健康状态监测方法、装置及终端 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112946485B (zh) | 2024-06-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112946485A (zh) | 车辆电池检测方法、存储介质及设备 | |
| CN110018425B (zh) | 一种动力电池故障诊断方法及系统 | |
| CN112487031B (zh) | 单体电池故障检测方法、装置、可读存储介质及电子设备 | |
| CN111949941B (zh) | 一种设备故障检测方法、系统、装置和存储介质 | |
| CN112098850B (zh) | 基于sdo算法的锂离子电池电压故障诊断方法及系统 | |
| CN112924887B (zh) | 电池包健康检测方法、装置、可读存储介质及电子设备 | |
| CN111257753B (zh) | 一种电池系统故障诊断方法 | |
| CN115796708B (zh) | 一种工程建设用的大数据智能质检方法、系统和介质 | |
| CN112565187A (zh) | 基于逻辑回归的电网攻击检测方法、系统、设备及介质 | |
| CN110553789A (zh) | 一种压阻式压力传感器的状态检测方法、装置及制动系统 | |
| CN116664015A (zh) | 一种智能充电桩管理系统及其方法 | |
| CN112415401B (zh) | 应用于车辆的电池监控方法、装置和设备 | |
| CN117783872A (zh) | 动力电池的数据异常检测方法、装置、服务器及存储介质 | |
| CN117607704A (zh) | 一种考虑不一致性的锂离子电池组微短路故障诊断方法 | |
| CN116953556A (zh) | 多变量冗余故障电池在线检测的方法、系统、介质和设备 | |
| CN114487836B (zh) | 基于电压和温度的电池状态分析方法、系统及终端 | |
| CN113581015B (zh) | 燃料电池系统的安全预警方法及装置 | |
| CN112540301B (zh) | 电池检测方法、装置及存储介质 | |
| CN114488994A (zh) | 一种提升车辆故障诊断鲁棒性的优化方法及装置 | |
| CN112541177A (zh) | 一种基于数据安全的异常检测方法及系统 | |
| CN113448301A (zh) | 基于obd系统的故障诊断方法及系统 | |
| CN118033465B (zh) | 电池自放电异常识别方法、装置、车辆及存储介质 | |
| CN117290150B (zh) | 故障原因确定方法、装置、设备、系统和介质 | |
| CN117783792B (zh) | 基于多参数实时监测的阀侧套管绝缘状态检测方法及系统 | |
| CN117930057A (zh) | 电池维护检测方法、装置、电子设备及存储介质 |
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 |