CN113533995A - 一种动力电池一致性检测方法 - Google Patents

一种动力电池一致性检测方法 Download PDF

Info

Publication number
CN113533995A
CN113533995A CN202110755462.4A CN202110755462A CN113533995A CN 113533995 A CN113533995 A CN 113533995A CN 202110755462 A CN202110755462 A CN 202110755462A CN 113533995 A CN113533995 A CN 113533995A
Authority
CN
China
Prior art keywords
data
time sequence
power battery
noise reduction
battery pack
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
Application number
CN202110755462.4A
Other languages
English (en)
Other versions
CN113533995B (zh
Inventor
赵建强
钱磊
朱卓敏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Powershare Information Technology Co ltd
Original Assignee
Shanghai Powershare Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Powershare Information Technology Co ltd filed Critical Shanghai Powershare Information Technology Co ltd
Priority to CN202110755462.4A priority Critical patent/CN113533995B/zh
Publication of CN113533995A publication Critical patent/CN113533995A/zh
Application granted granted Critical
Publication of CN113533995B publication Critical patent/CN113533995B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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]
    • G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
    • 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
    • G01R31/36—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
    • 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

Abstract

本发明涉及一种动力电池一致性检测方，其包括降噪自编码训练步骤和一致性检测定位步骤。降噪自编码训练步骤为：获取样本时序数据并得到对应的样本特征数据，利用样本特征数据训练降噪自编码模型得到检测用降噪自编码模型。一致性检测定位步骤为：获取待检时序数据并得到对应的待检特征数据，将待检特征数据输入检测用降噪自编码模型并得到降噪单体电池电压时序数据，对降噪单体电池电压时序数据进行单因素方差分析得到单因素方差分析p值，基于单因素方差分析p值判断动力电池组是否存在组间显著性差异，若存在则对动力电池组进行多重比较分析确定动力电池组中存在一致性问题的单体电池的位置。本发明检测结果精准，解释性强、可靠程度高。

Description

一种动力电池一致性检测方法
技术领域
本发明属于动力电池检测技术领域，具体涉及一种针对动力电池的一致性进行检测的方法。
背景技术
一致性是动力电池性能的表现形式之一，一致性主要是指同一规格型号的单体电池组成动力电池组后，其电压及荷电量、容量及其衰退率、内阻及其变化率、寿命、温度影响、自放电率等参数存在一定的差别，差别越小则一致性越好。
动力电池组的一致性是个非常重要的问题，一致性差不仅会影响电池组的动力输出和续航表现，也会影响到电池组的运行安全，缩短动力电池组的使用寿命。
动力电池一致性可以看作电池组内物理、化学状态的一种表示，从不同的量测角度，动力电池的一致性可分为容量一致性、内阻一致性和电压一致性，这三种一致性度量都可以采用物理手段测量、计算得到，但实际操作的难易程度各不相同，其中容量、内阻的要求较苛刻，需要专业的量测设备以及专门设计的充放电过程才能进行，而电压的量测则稍有不同，可以采用专门设备进行精准量测，也可以从BMS(电池管理系统)中直接获取。BMS得到的数据分析存在一定难度，因为不同运行工况会带来较多的噪声数据，给精准分析造成了一定的困扰，即便如此，由于无需额外的辅助设施便可以获得任意时刻、任意使用场景的电压数据，且无需长时间的充放电测试，BMS电压一致性成为了动力电池一致性分析的一种重要手段。
一致性检测，在数据上表现为均值和方差的差异性的显著程度，分别表示数据上的集中性和离散性。在电压一致性分析的评价指标上，可以直接使用均值和方差作为指标，也可以使用这两种评价指标的变化形式，或者结合动力电池领域知识进行创新，构建新的评价指标，但无论如何，这些评价指标本质上仍然属于均值和方差的范畴，仍然属于集中性和偏离性的一种表达。
无论那种评估指标，都需要有较强的可解释性。均值和方差作为一种被普遍接受的概率指标，有坚实的理论基础，所以这两种指标的直接使用往往意味着较强的可解释性，而这两种指标的变化形式则意味着可解释性的降低。所以，在评估一致性时，最好直接使用均值和方差，或者使用基于均值和方差的统计学检验手段(t检验、f检验等)，除非领域特殊需要才有必要进行一定程度的变化或创新，但要尽可能基于坚实的理论基础以保证可解释性。
发明内容
本发明的目的是提供一种结果更加精准、可靠程度更高且可解释性强的动力电池一致性检测方法。
为达到上述目的，本发明采用的技术方案是：
一种动力电池一致性检测方法，用于检测动力电池组中各个单体电池的一致性，所述动力电池一致性检测方法包括降噪自编码训练步骤和一致性检测定位步骤；
所述降噪自编码训练步骤包括以下步骤：
步骤1-1：获取作为样本的所述动力电池组中多个所述单体电池的时序数据作为样本时序数据，所述样本时序数据包括作为样本的所述动力电池组中多个所述单体电池的电压数据和与作为样本的所述动力电池组中多个所述单体电池工作状态相关的非电压数据；
步骤1-2：对所述样本时序数据进行特征工程而得到对应的样本特征数据；
步骤1-3：利用所述样本特征数据训练降噪自编码模型，当达到训练终止条件时停止训练所述降噪自编码训练，并保存训练得到的所述降噪自编码模型作为检测用降噪自编码模型；
所述一致性检测定位步骤包括以下步骤：
步骤2-1：获取待检测的所述动力电池组中各个所述单体电池的时序数据作为待检时序数据，所述待检时序数据包括待检测的所述动力电池组中各个所述单体电池的电压数据和与待检测的所述动力电池组中各个所述单体电池工作状态相关的非电压数据；
步骤2-2：对所述待检时序数据进行特征工程而得到对应的待检特征数据；
步骤2-3：将所述待检特征数据输入所述检测用降噪自编码模型，由所述检测用降噪自编码模型的输出得到降噪单体电池电压时序数据；
步骤2-4：对所述降噪单体电池电压时序数据进行单因素方差分析，得到单因素方差分析p值；
步骤2-5：判断所述单因素方差分析p值与预设的显著水平α值的大小关系，若所述单因素方差分析p值大于所述显著水平α值，则认为所述动力电池组不存在组间显著性差异并结束检测，否则认为所述动力电池组存在组间显著性差异；
步骤2-6：对存在组间显著性差异的所述动力电池组进行多重比较分析，基于多重比较分析的结果确定所述动力电池组中存在一致性问题的所述单体电池的位置并结束检测。
所述步骤1-1中，由电池管理系统获取作为样本的所述动力电池组中多个所述单体电池的时序数据，所述步骤2-1中，由电池管理系统获取待检测的所述动力电池组中各个所述单体电池的时序数据。
所述步骤1-1、所述步骤2-1中，所述非电压数据包括时间数据、SOC数据、温度数据、所述动力电池组的总电压和总电流数据、所述动力电池组的经纬度数据、所述动力电池组所在的用电设备的运行状态数据、所述动力电池组的运行状态数据和所述动力电池组的报警状态数据。
所述步骤1-2、所述步骤2-2中，进行特征工程包括对所述样本时序数据/所述待检时序数据依次进行清洗、特征转换，所述特征转换包括将所述样本时序数据/所述待检时序数据中的类别型数据转成独热编码、将所述样本时序数据/所述待检时序数据中的数值型数据做缩放处理。
所述步骤1-2、所述步骤2-2中，对所述样本时序数据/所述待检时序数据中的电压数据中的数值型数据，采用min-max归一化方法。
所述步骤1-2、所述步骤2-2中，进行所述特征转换时，将所述样本时序数据/所述待检时序数据中的类别型数据转成0或1，将所述样本时序数据/所述待检时序数据中的数值型数据缩放至[-1，1]区间内。
所述步骤1-3中，所述降噪自编码模型采用的自编码神经网络为卷积神经网络、循环神经网络或多层感知机。
所述步骤1-3中，在训练所述降噪自编码模型时，采用梯度下降法更新所述降噪自编码模型的参数；所述训练终止条件为基于所述降噪自编码模型的输出值与输入值中的所述电压数据计算出的MSE损失值小于设定的损失阈值，或者训练次数达到预设的次数阈值。
所述步骤1-3中，所述降噪自编码模型的输出值的尺寸与所述样本时序数据/所述待检时序数据中的电压数据的尺寸一致。
所述步骤2-6中，采用Tukey HSD检验法进行所述多重比较分析。
由于上述技术方案运用，本发明与现有技术相比具有下列优点：本发明的一致性检测结果更加精准，考虑了不同的运行工况，可以针对不同工况进行一致性检测，且具有坚实的统计学理论支撑，解释性强、可靠程度高。
附图说明
附图1为本发明的动力电池一致性检测方法中降噪自编码模型的降噪原理图。
附图2为本发明的动力电池一致性检测方法的流程图。
具体实施方式
下面结合附图所示的实施例对本发明作进一步描述。
实施例一：动力电池组由若干单体电池组成，为了检测动力电池组中各个单体电池的一致性，采用以下动力电池一致性检测方法。
如附图2所示，该动力电池一致性检测方法包括降噪自编码训练步骤和一致性检测定位步骤两大部分，其中降噪自编码训练步骤的流程如附图2中左半部分所示，一致性检测定位步骤的流程如附图2中右半部分所示，下面对该动力电池一致性检测方法进行详细说明。
一、降噪自编码训练
降噪自编码训练步骤包括以下步骤：
步骤1-1：由BMS(电池管理系统)中直接获取作为样本的动力电池组中多个单体电池的时序数据作为样本时序数据。
样本时序数据包括作为样本的动力电池组中多个单体电池的电压数据和与作为样本的动力电池组中多个单体电池工作状态相关的非电压数据，其中非电压数据包括时间数据、SOC数据、温度数据、动力电池组的总电压和总电流数据、动力电池组的经纬度数据、动力电池组所在的用电设备的运行状态数据(例如电动汽车的累计里程数据)、动力电池组的运行状态数据和动力电池组的报警状态数据。
时序长度(即样本量)的设定与BMS数据的采样频率、运行工况等有关，单纯从统计学角度考虑，为了保证均值和方差的可靠性，一般建议不要低于30。
步骤1-2：对样本时序数据进行特征工程而得到对应的样本特征数据。
特征工程采用的都是机器学习领域常见的特征工程方法，进行特征工程包括对样本时序数据依次进行清洗、特征转换。对样本时序数据的清洗即缺失值填充、异常值替换等数据操作。对样本时序数据的特征转换包括将样本时序数据中的类别型数据转成独热(Onehot)编码、将样本时序数据中的数值型数据做缩放处理(标准化或归一化)以消除不同特征间的量纲差异。
对于样本时序数据中的电压数据中的数值型数据，需采用min-max归一化方法，而其他数值型数据在做缩放处理时可以采用任何一种标准化或归一化方法。
对电压数据采用min-max归一化方法的计算公式如下：
Figure BDA0003147144210000041
上式中，x是待缩放的实际电压值，y是缩放后对应得到的电压值，xmin和xmax分别表示全部电压数据中的最小值和最大值，可以通过统计大量实际电压值并排除异常值后获得这两个最值，也可以凭经验直接给出，只要能将电压值近似缩放到所需区间即可。需特别注意的是，BMS数据中通常会有几十甚至上百单体电压字段，这里的xmin和xmax是针对全部电压字段的最值，每一个单体电压字段缩放时都使用相同的xmin和xmax值。
样本时序数据经过特征工程进行特征转换后得到对应的样本特征数据，其中类别型数据转成0或1，而数值型数据则都经过了量纲缩放，缩放至[-1，1]区间内，这时的样本特征数据即构成训练数据集，可以作为输入数据来训练模型了。
步骤1-3：利用样本特征数据训练降噪自编码模型，当达到训练终止条件时停止训练降噪自编码训练，并保存训练得到的降噪自编码模型作为检测用降噪自编码模型。
在该步骤中，使用从训练数据集中随机获取的批量(批量batch_size的大小需要根据数据集大小以及硬件情况而定)特征数据，经过降噪自编码神经网络运算后，利用输出值与输入值中的电压部分计算MSE损失值——计算MSE损失值时不使用输入数据中的非电压特征是本发明中的关键。得到MSE损失值后，判断是否达到终止训练条件，如达到训练终止条件，则停止训练并保存模型；如果没有达到训练终止条件，则继续基于MSE损失值利用梯度下降法对神经网络进行更新，然后继续训练直至达到训练终止条件，保存模型。这里提到的训练终止条件可以采用不同的方式，比如MSE小于某一设定的足够小的损失阈值，或者训练次数达到某一设定好的次数阈值等等，这部分内容属于机器学习领域的常规操作。将训练好的降噪自编码模型保存下来以供后续的一致性检测使用。
如附图1所示，降噪自编码模型包括Encoder和Decoder两部分，前半部分的Encoder接收包含了电压数据和非电压数据的特征数据，经过多层神经网络运算后得到中间变量(图示Code)，即对输入特征数据进行“压缩”后的编码，这一过程就是对原始数据的编码过程。后半部分的Decoder对“压缩”后的中间变量做“解压”运算，经过多层神经网络运算后，又重新生成或者还原了与输入数据中电压部分尺寸保持一致的变量，相对于前半部分的编码过程，这一过程称作解码过程。由此，降噪自编码模型的输出值的尺寸与样本时序数据中的电压数据的尺寸一致。
得到解码变量后，使用MSE(Mean Square Error)作为损失函数，用输出的解码变量与输入特征数据中的电压部分数据计算损失值，再基于这一损失值采用梯度下降法更新降噪自编码模型的参数，这一过程就是模型的一次训练过程。从训练数据集中取数据不断重复这一过程直至达到训练终止条件后，便完成了训练过程，随后保存训练得到的模型。训练终止条件为基于降噪自编码模型的输出值与输入值中的电压数据计算出的MSE损失值小于设定的损失阈值，或者训练次数达到预设的次数阈值。
需要注意的是，降噪自编码模型采用的自编码神经网络为卷积神经网络、循环神经网络或多层感知机等任何一种，具体采取哪一种形式是由实际数据决定的，对此需要通过效果比对试验以确定具体的网络形式。
二、一致性检测定位
一致性检测定位步骤包括以下步骤：
步骤2-1：由BMS(电池管理系统)中直接获取待检测的动力电池组中各个单体电池的时序数据作为待检时序数据。
待检时序数据的形式与样本时序数据的形式完全相同，唯一不同之处在于这时的数据不是来自于训练集数据，而是待检测的实际电池数据。待检时序数据包括待检测的动力电池组中各个单体电池的电压数据和与待检测的动力电池组中各个单体电池工作状态相关的非电压数据，其中非电压数据包括时间数据、SOC数据、温度数据、动力电池组的总电压和总电流数据、动力电池组的经纬度数据、动力电池组所在的用电设备的运行状态数据(例如电动汽车的累计里程数据)、动力电池组的运行状态数据和动力电池组的报警状态数据。
步骤2-2：对待检时序数据进行特征工程而得到对应的待检特征数据。
与步骤1-2中的过程相同，对待检时序数据进行特征工程包括对待检时序数据依次进行清洗、特征转换，特征转换包括将待检时序数据中的类别型数据转成独热编码、将待检时序数据中的数值型数据做缩放处理。待检时序数据中的电压数据中的数值型数据，采用min-max归一化方法，处理后的电压数据与原始电压数据相比拥有不同的量纲。进行特征转换时，将待检时序数据中的类别型数据转成0或1，将待检时序数据中的数值型数据缩放至[-1，1]区间内。min-max缩放是一种线性变换，后续的单因素方差分析直接使用这一变换后的数据，在结果上与使用未经变换的数据是完全一致的。
步骤2-3：将待检特征数据输入检测用降噪自编码模型，由检测用降噪自编码模型的输出得到降噪单体电池电压时序数据。
步骤2-4：对降噪单体电池电压时序数据进行单因素方差分析，得到单因素方差分析p值。
步骤2-5：判断单因素方差分析p值与预设的显著水平α值(例如设定为0.05或0.01)的大小关系，若单因素方差分析p值大于显著水平α值，则认为动力电池组不存在组间显著性差异并结束检测，否则认为动力电池组存在组间显著性差异(说明单体电池电压存在组间差异，即电压数据存在一致性问题，但并没有具体给出存在一致性问题的单体电池的位置)。
步骤2-6：为了定位存在一致性问题的单体电池，对存在组间显著性差异的动力电池组进行多重比较分析，多重比较分析有很多种算法可供选择，例如采用Tukey HSD检验法进行多重比较分析，还可以采用LSD法、LSR法、Scheffe法、Dunnet法等进行多重比较分析，具体采用哪一种，需要根据单体电池组数量、样本数量(即时序长度)等实际情况确定。最后基于多重比较分析的结果确定动力电池组中存在一致性问题的单体电池的位置并结束检测。
本发明使用统计学中的单因素方差分析(One Way ANOVA)手段对BMS电压进行一致性分析，该方法本质上仍然是电池组数据组间均值和方差的一种比较，既考虑到组间均值的差异也考虑到了组间方差的差异，具有严谨的统计学理论依据和较强的可解释性。由于单因素方差分析方法对于异常值非常敏感，而从BMS获得的电池数据会因不同的运行工况而有较多的噪音数据，直接使用单因素方差分析必然会在准确度上有较大的偏差。为了解决这一问题，本发明使用深度学习中的降噪自编码(DAE,DenoisingAutoencoder)方法，结合动力电池数据的特点在DAE网络结构上进行了调整，改变了传统自编码网络结构的对称性，从而可以使用到电压外的其它特征数据，利用从BMS得到的大数据进行训练，最终得到结合了各种工况信息对原始数据进行降噪的模型。使用该模型对原始数据进行降噪处理后，便可以进一步进行单因素方差分析，继而判断电压的不一致性，然后通过进一步分析来定位找出一致性偏差较大的单体电池。
本发明对自编码神经网络结构进行了调整，在输入端不仅使用了用于评估一致性的电压属性，还使用了非电压属性比如温度、SOC、速度、行驶里程、各种报警数据等，使得最终输出的降噪电压数据考虑到了各种不同的运行工况，从而可以应用于各种实际场景的一致性分析。
本发明对数据做降噪处理以提升数据质量，使一致性评估结果精准度得到提升，再使用单因素方差分析方法分析一致性，单因素方差分析的使用又使分析结果具有较高的可解释性，从而使分析结果的可靠性得到了保证，最终得到的分析结果在可解释性和可靠性上具有坚实的统计理论依据。单因素方差分析之后的多重比较是统计学中用于定位显著性差异的方法，针对实际数据组数、样本数量等因素的不同而有不同的选择，这都属于统计学中针对具体数据情况的选择操作范畴。
本发明叙述的重点是一种整体性思路，如果基于该思路进行一些具体的逻辑操作，比如按照充电和放电划分场景分析并对分析结果进一步整合处理，或者对不同SOC分析结果给予不同的权重处理等等，只能算作具体业务上的不同，并不能算作并列方案。
综上所述，本发明具有以下有益效果：
1.基于大数据集使用深度学习创建降噪自编码模型，对数据进行降噪处理，使一致性检验结果更加精准；
2.在自编码神经网络结构的设计上，在使用电压特征外还使用了可以反映运行工况的非电压特征，使得降噪运算可以考虑到各种不同的运行工况，从而可以针对各种不同工况做一致性检测；
3.本方案使用单因素方差分析做一致性分析，有坚实的统计学理论支撑，解释性强、可靠程度高。
上述实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人士能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所作的等效变化或修饰，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种动力电池一致性检测方法，用于检测动力电池组中各个单体电池的一致性，其特征在于：所述动力电池一致性检测方法包括降噪自编码训练步骤和一致性检测定位步骤；
所述降噪自编码训练步骤包括以下步骤：
步骤1-1：获取作为样本的所述动力电池组中多个所述单体电池的时序数据作为样本时序数据，所述样本时序数据包括作为样本的所述动力电池组中多个所述单体电池的电压数据和与作为样本的所述动力电池组中多个所述单体电池工作状态相关的非电压数据；
步骤1-2：对所述样本时序数据进行特征工程而得到对应的样本特征数据；
步骤1-3：利用所述样本特征数据训练降噪自编码模型，当达到训练终止条件时停止训练所述降噪自编码训练，并保存训练得到的所述降噪自编码模型作为检测用降噪自编码模型；
所述一致性检测定位步骤包括以下步骤：
步骤2-1：获取待检测的所述动力电池组中各个所述单体电池的时序数据作为待检时序数据，所述待检时序数据包括待检测的所述动力电池组中各个所述单体电池的电压数据和与待检测的所述动力电池组中各个所述单体电池工作状态相关的非电压数据；
步骤2-2：对所述待检时序数据进行特征工程而得到对应的待检特征数据；
步骤2-3：将所述待检特征数据输入所述检测用降噪自编码模型，由所述检测用降噪自编码模型的输出得到降噪单体电池电压时序数据；
步骤2-4：对所述降噪单体电池电压时序数据进行单因素方差分析，得到单因素方差分析p值；
步骤2-5：判断所述单因素方差分析p值与预设的显著水平α值的大小关系，若所述单因素方差分析p值大于所述显著水平α值，则认为所述动力电池组不存在组间显著性差异并结束检测，否则认为所述动力电池组存在组间显著性差异；
步骤2-6：对存在组间显著性差异的所述动力电池组进行多重比较分析，基于多重比较分析的结果确定所述动力电池组中存在一致性问题的所述单体电池的位置并结束检测。
2.根据权利要求1所述的一种动力电池一致性检测方法，其特征在于：所述步骤1-1中，由电池管理系统获取作为样本的所述动力电池组中多个所述单体电池的时序数据，所述步骤2-1中，由电池管理系统获取待检测的所述动力电池组中各个所述单体电池的时序数据。
3.根据权利要求1所述的一种动力电池一致性检测方法，其特征在于：所述步骤1-1、所述步骤2-1中，所述非电压数据包括时间数据、SOC数据、温度数据、所述动力电池组的总电压和总电流数据、所述动力电池组的经纬度数据、所述动力电池组所在的用电设备的运行状态数据、所述动力电池组的运行状态数据和所述动力电池组的报警状态数据。
4.根据权利要求1所述的一种动力电池一致性检测方法，其特征在于：所述步骤1-2、所述步骤2-2中，进行特征工程包括对所述样本时序数据/所述待检时序数据依次进行清洗、特征转换，所述特征转换包括将所述样本时序数据/所述待检时序数据中的类别型数据转成独热编码、将所述样本时序数据/所述待检时序数据中的数值型数据做缩放处理。
5.根据权利要求4所述的一种动力电池一致性检测方法，其特征在于：所述步骤1-2、所述步骤2-2中，对所述样本时序数据/所述待检时序数据中的电压数据中的数值型数据，采用min-max归一化方法。
6.根据权利要求4所述的一种动力电池一致性检测方法，其特征在于：所述步骤1-2、所述步骤2-2中，进行所述特征转换时，将所述样本时序数据/所述待检时序数据中的类别型数据转成0或1，将所述样本时序数据/所述待检时序数据中的数值型数据缩放至[-1，1]区间内。
7.根据权利要求1所述的一种动力电池一致性检测方法，其特征在于：所述步骤1-3中，所述降噪自编码模型采用的自编码神经网络为卷积神经网络、循环神经网络或多层感知机。
8.根据权利要求1所述的一种动力电池一致性检测方法，其特征在于：所述步骤1-3中，在训练所述降噪自编码模型时，采用梯度下降法更新所述降噪自编码模型的参数；所述训练终止条件为基于所述降噪自编码模型的输出值与输入值中的所述电压数据计算出的MSE损失值小于设定的损失阈值，或者训练次数达到预设的次数阈值。
9.根据权利要求1所述的一种动力电池一致性检测方法，其特征在于：所述步骤1-3中，所述降噪自编码模型的输出值的尺寸与所述样本时序数据/所述待检时序数据中的电压数据的尺寸一致。
10.根据权利要求1所述的一种动力电池一致性检测方法，其特征在于：所述步骤2-6中，采用Tukey HSD检验法进行所述多重比较分析。
CN202110755462.4A 2021-07-05 2021-07-05 一种动力电池一致性检测方法 Active CN113533995B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110755462.4A CN113533995B (zh) 2021-07-05 2021-07-05 一种动力电池一致性检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110755462.4A CN113533995B (zh) 2021-07-05 2021-07-05 一种动力电池一致性检测方法

Publications (2)

Publication Number Publication Date
CN113533995A true CN113533995A (zh) 2021-10-22
CN113533995B CN113533995B (zh) 2023-10-20

Family

ID=78126663

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110755462.4A Active CN113533995B (zh) 2021-07-05 2021-07-05 一种动力电池一致性检测方法

Country Status (1)

Country Link
CN (1) CN113533995B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115343649A (zh) * 2022-10-18 2022-11-15 力高(山东)新能源技术股份有限公司 一种电池组电芯一致性的检测方法
CN115542172A (zh) * 2022-12-01 2022-12-30 湖北工业大学 动力电池故障检测方法、系统、装置及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150219728A1 (en) * 2012-11-06 2015-08-06 Tsinghua University Method and device for measuring various parameters of membrane electrode assembly in fuel cell
WO2017028452A1 (zh) * 2015-08-20 2017-02-23 中国矿业大学 一种电池一致性检测分类方法及装置
CN108427080A (zh) * 2018-06-20 2018-08-21 上海海事大学 混合动力船舶的动力电池组的荷电状态计算方法
CN109375116A (zh) * 2018-08-09 2019-02-22 上海国际汽车城（集团）有限公司 一种基于自编码器的电池系统异常电池识别方法
CN110045298A (zh) * 2019-05-06 2019-07-23 重庆大学 一种动力电池组参数不一致性的诊断方法
CN110059357A (zh) * 2019-03-19 2019-07-26 中国电力科学研究院有限公司 一种基于自编码网络的智能电能表故障分类检测方法及系统
CN111610448A (zh) * 2020-06-01 2020-09-01 北京理工大学 一种应用数字孪生技术的锂离子电池寿命预测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150219728A1 (en) * 2012-11-06 2015-08-06 Tsinghua University Method and device for measuring various parameters of membrane electrode assembly in fuel cell
WO2017028452A1 (zh) * 2015-08-20 2017-02-23 中国矿业大学 一种电池一致性检测分类方法及装置
CN108427080A (zh) * 2018-06-20 2018-08-21 上海海事大学 混合动力船舶的动力电池组的荷电状态计算方法
CN109375116A (zh) * 2018-08-09 2019-02-22 上海国际汽车城（集团）有限公司 一种基于自编码器的电池系统异常电池识别方法
CN110059357A (zh) * 2019-03-19 2019-07-26 中国电力科学研究院有限公司 一种基于自编码网络的智能电能表故障分类检测方法及系统
CN110045298A (zh) * 2019-05-06 2019-07-23 重庆大学 一种动力电池组参数不一致性的诊断方法
CN111610448A (zh) * 2020-06-01 2020-09-01 北京理工大学 一种应用数字孪生技术的锂离子电池寿命预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
王佳元;孙泽昌;魏学哲;戴海峰;: "基于一致性估计的车用动力蓄电池组SOC修正法", 同济大学学报(自然科学版), no. 05 *
谢霖铨;梁博群;: "基于降噪自编码的推荐算法", 计算机与现代化, no. 02 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115343649A (zh) * 2022-10-18 2022-11-15 力高(山东)新能源技术股份有限公司 一种电池组电芯一致性的检测方法
CN115343649B (zh) * 2022-10-18 2023-03-14 力高(山东)新能源技术股份有限公司 一种电池组电芯一致性的检测方法
CN115542172A (zh) * 2022-12-01 2022-12-30 湖北工业大学 动力电池故障检测方法、系统、装置及存储介质

Also Published As

Publication number Publication date
CN113533995B (zh) 2023-10-20

Similar Documents

Publication Publication Date Title
CN115858630B (zh) 一种储能电站储能数据的异常检测方法
CN108254696B (zh) 电池的健康状态评估方法及系统
KR102106775B1 (ko) 딥러닝을 이용한 전지 진단 방법
CN109655754B (zh) 一种基于充电过程多维分阶的电池性能评估方法
CN114430080B (zh) 一种基于运行数据的动力电池电芯异常自放电的识别方法
CN113533995B (zh) 一种动力电池一致性检测方法
CN112051511A (zh) 基于多通道技术的动力电池健康状态的估计方法及系统
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
CN113484764B (zh) 基于多维阻抗谱的退役电池soh和一致性的评估方法
CN115267555A (zh) 基于电池多点温度测量的储能系统电池soh评估系统
CN113030761A (zh) 一种超大规模储能电站电池健康状态的评估方法及系统
CN112305441A (zh) 一种集成式聚类下的动力电池健康状态评估方法
CN114646888A (zh) 一种动力电池容量衰减的评估方法及系统
CN113820615B (zh) 一种电池健康度检测方法与装置
CN112485693B (zh) 一种基于温度概率密度函数的电池健康状态快速评估方法
CN114545275A (zh) 一种锂离子电池剩余使用寿命间接预测方法
CN116520068B (zh) 一种电力数据的诊断方法、装置、设备及存储介质
CN116243172A (zh) 一种锂电池可靠性状态快速检测方法
CN115128468A (zh) 一种化学储能电池phm欠压故障预测方法
CN116804715A (zh) 一种判断导致电池系统出现不一致原因的方法
CN115980607A (zh) 基于增量容量曲线特征点的电池健康状态soh估算方法
Zhou et al. A review of state-of-health estimation of lithiumion batteries: Experiments and data
CN112345952A (zh) 动力电池老化程度判断方法
CN116500456B (zh) 一种基于机器学习的三元锂电池容量检测方法
CN115201709A (zh) 一种基于knn和多元线性回归的锂电池寿命预测方法

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