CN113900035B - 电池检测方法、装置、设备及存储介质 - Google Patents
电池检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113900035B CN113900035B CN202111144480.5A CN202111144480A CN113900035B CN 113900035 B CN113900035 B CN 113900035B CN 202111144480 A CN202111144480 A CN 202111144480A CN 113900035 B CN113900035 B CN 113900035B
- Authority
- CN
- China
- Prior art keywords
- battery
- data
- abnormal
- voltage
- abnormal data
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 96
- 230000002159 abnormal effect Effects 0.000 claims abstract description 302
- 238000012545 processing Methods 0.000 claims abstract description 51
- 238000001914 filtration Methods 0.000 claims abstract description 14
- 238000010606 normalization Methods 0.000 claims description 21
- 230000005856 abnormality Effects 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 14
- 238000000034 method Methods 0.000 description 24
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 238000012216 screening Methods 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]
- G01R31/396—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
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/165—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values
- G01R19/16533—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values characterised by the application
- G01R19/16538—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values characterised by the application in AC or DC supplies
- G01R19/16542—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values characterised by the application in AC or DC supplies for batteries
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/165—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values
- G01R19/16566—Circuits and arrangements for comparing voltage or current with one or several thresholds and for indicating the result not covered by subgroups G01R19/16504, G01R19/16528, G01R19/16533
- G01R19/16576—Circuits and arrangements for comparing voltage or current with one or several thresholds and for indicating the result not covered by subgroups G01R19/16504, G01R19/16528, G01R19/16533 comparing DC or AC voltage with one threshold
-
- 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
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Secondary Cells (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本发明公开了一种电池检测方法、装置、设备及存储介质，属于电池技术领域。本发明的电池检测方法包括获取电池簇的电池数据；根据预设的检测模型对电池数据进行检测，得到每一电池的异常数据；根据预设的异常类别标签和预设的识别模型对异常数据进行识别处理，得到包含异常类别标签的标准异常数据和每一异常类别标签对应的异常电池集合；对标准异常数据进行过滤处理，得到目标异常数据；根据目标异常数据，对异常电池集合的电池进行处理。这种电池检测方法能够提高检测准确性。
Description
技术领域
本发明涉及电池技术领域，尤其涉及一种电池检测方法、装置、设备及存储介质。
背景技术
目前，在对电池一致性进行检测时，常常依赖于主观经验进行判断，通常是直接设定经验值来界定电池的，往往难以同时兼顾分析准确性与即时性，因此，如何提供一种电池检测方法，提高检测准确性，成为了亟待解决的问题。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种电池检测方法，能够提高检测准确性。
本发明还提出一种具有上述电池检测方法的电池检测装置。
本发明还提出一种具有上述电池检测方法的电池检测设备。
本发明还提出一种计算机可读存储介质。
根据本发明的第一方面实施例的电池检测方法，包括：
获取电池簇的电池数据；
根据预设的检测模型对所述电池数据进行检测，得到每一电池的异常数据；
根据预设的异常类别标签和预设的识别模型对所述异常数据进行识别处理，得到包含异常类别标签的标准异常数据和每一异常类别标签对应的异常电池集合；
对所述标准异常数据进行过滤处理，得到目标异常数据；
根据所述目标异常数据，对所述异常电池集合的电池进行处理。
根据本发明实施例的电池检测方法，至少具有如下有益效果：这种电池检测方法通过获取电池簇的电池数据，根据预设的检测模型对电池数据进行检测，得到每一电池的异常数据，能够较为准确地对每一电池进行异常检测；进而，根据预设的异常类别标签和预设的识别模型对所述异常数据进行识别处理，得到包含异常类别标签的标准异常数据和每一异常类别标签对应的异常电池集合，这样一来，能够对不同异常类别的电池进行分类，形成异常电池集合，节省了后续对不同异常类别的电池进行异常处理的时间；另外，该方法还对标准异常数据进行过滤处理，得到目标异常数据，最后根据目标异常数据，对异常电池集合的电池进行处理，能够提高检测准确性以及异常处理即时性。
根据本发明的一些实施例，所述根据预设的检测模型对所述电池数据进行检测，得到每一电池的异常数据，包括：
根据基于高斯分布的拉依达算法对所述电池数据进行检测，得到第一异常数据；
根据格鲁布斯算法对所述电池数据进行检测，得到第二异常数据。
根据本发明的一些实施例，所述电池数据包括每一电池的电压数据，所述根据基于高斯分布的拉依达算法对所述电池数据进行检测，得到第一异常数据，包括：
若电压数据大于第一电压阈值或者所述电压数据小于第二电压阈值，则对所述电压数据进行归一化处理，得到标准电压数据；
根据所有所述电压数据和基于高斯分布的拉依达算法，得到每一电池的电压标准差；
根据所述电压标准差，得到第一电压异常数据或者第二电压异常数据。
其中，所述第一电压阈值大于所述第二电压阈值。
根据本发明的一些实施例，所述根据所述电压标准差，得到第一电压异常数据或者第二电压异常数据，包括：
若存在至少一个电池的电压标准差大于预设的标准差阈值，且所述电压标准差大于第三电压阈值，则生成第一电压异常数据；
若存在至少一个电池的电压标准差小于或等于预设的标准差阈值，且所述电压标准差小于第三电压阈值，则生成第二电压异常数据。
根据本发明的一些实施例，所述电池数据包括每一电池的电压数据，所述根据格鲁布斯算法对所述电池数据进行检测，得到第二异常数据，包括：
若电压数据大于第一电压阈值或者所述电压数据小于第二电压阈值，则对所述电压数据进行归一化处理，得到标准电压数据；
根据格鲁布斯算法和所述标准电压数据，得到第三电压异常数据或者第四电压异常数据。
根据本发明的一些实施例，所述根据格鲁布斯算法和所述标准电压数据，得到第三电压异常数据或者第四电压异常数据，包括：
若所述标准电压数据大于第一归一化阈值，则生成第三电压异常数据；
若所述标准电压数据小于第一归一化阈值，且所述标准电压数据大于第二归一化阈值，则生成第四电压异常数据；
其中，所述第一归一化阈值大于所述第二归一化阈值。
根据本发明的一些实施例，所述电池数据包括电池偏差容量，所述根据所述目标异常数据，对所述异常电池集合的电池进行处理，包括：
根据所述目标异常数据和电池偏差容量，得到优化系数；
根据所述优化系数的大小，生成异常电池处理序列；
根据所述异常电池处理序列，对每一所述异常电池集合的电池进行异常处理。
根据本发明的第二方面实施例的电池检测装置，包括：
电池数据获取模块，用于获取电池簇的电池数据；
检测模块，用于根据预设的检测模型对所述电池数据进行检测，得到每一电池的异常数据；
识别模块，用于根据预设的异常类别标签和预设的识别模型对所述异常数据进行识别处理，得到包含异常类别标签的标准异常数据和每一异常类别标签对应的异常电池集合；
过滤模块，用于对所述标准异常数据进行过滤处理，得到目标异常数据；
异常处理模块，用于根据所述目标异常数据，对所述异常电池集合的电池进行处理。
根据本发明实施例的电池检测装置，至少具有如下有益效果：这种电池检测装置通过电池数据获取模块获取电池簇的电池数据，检测模块根据预设的检测模型对电池数据进行检测，得到每一电池的异常数据，能够较为准确地对每一电池进行异常检测；进而，识别模块根据预设的异常类别标签和预设的识别模型对所述异常数据进行识别处理，得到包含异常类别标签的标准异常数据和每一异常类别标签对应的异常电池集合，这样一来，能够对不同异常类别的电池进行分类，形成异常电池集合，节省了后续对不同异常类别的电池进行异常处理的时间；另外，过滤模块对标准异常数据进行过滤处理，得到目标异常数据，最后异常处理模块根据目标异常数据，对异常电池集合的电池进行处理，能够提高检测准确性以及异常处理即时性。
根据本发明的第三方面实施例的电池检测设备，包括：
至少一个处理器，以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行所述指令时实现如第一方面实施例所述的电池检测方法。
根据本发明实施例的电池检测设备，至少具有如下有益效果：这种电池检测设备采用上述电池检测方法，通过获取电池簇的电池数据，根据预设的检测模型对电池数据进行检测，得到每一电池的异常数据，能够较为准确地对每一电池进行异常检测；进而，根据预设的异常类别标签和预设的识别模型对所述异常数据进行识别处理，得到包含异常类别标签的标准异常数据和每一异常类别标签对应的异常电池集合，这样一来，能够对不同异常类别的电池进行分类，形成异常电池集合，节省了后续对不同异常类别的电池进行异常处理的时间；另外，该方法还对标准异常数据进行过滤处理，得到目标异常数据，最后根据目标异常数据，对异常电池集合的电池进行处理，能够提高检测准确性以及异常处理即时性。
根据本发明的第四方面实施例的计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如第一方面实施例所述的电池检测方法。
根据本发明实施例的计算机可读存储介质，至少具有如下有益效果：这种计算机可读存储介质执行上述电池检测方法通过获取电池簇的电池数据，根据预设的检测模型对电池数据进行检测，得到每一电池的异常数据，能够较为准确地对每一电池进行异常检测；进而，根据预设的异常类别标签和预设的识别模型对所述异常数据进行识别处理，得到包含异常类别标签的标准异常数据和每一异常类别标签对应的异常电池集合，这样一来，能够对不同异常类别的电池进行分类，形成异常电池集合，节省了后续对不同异常类别的电池进行异常处理的时间；另外，该方法还对标准异常数据进行过滤处理，得到目标异常数据，最后根据目标异常数据，对异常电池集合的电池进行处理，能够提高检测准确性以及异常处理即时性。
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，或通过本发明的实践了解到。
附图说明
下面结合附图和实施例对本发明做进一步的说明，其中：
图1为本发明实施例的电池检测方法的流程图；
图2为图1中步骤S102的流程图；
图3为图2中步骤S201的流程图；
图4为图3中步骤S303的流程图；
图5为图2中步骤S202的流程图；
图6为图5中步骤S502的流程图；
图7为图1中步骤S105的流程图；
图8为本发明实施例的电池检测装置的结构示意图。
附图标记：801、电池数据获取模块；802、检测模块；803、识别模块；804、过滤模块；805、异常处理模块。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明的描述中，若干的含义是一个以上，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本发明的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
本发明的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
第一方面，参照图1，本发明实施例的电池检测方法包括：
S101，获取电池簇的电池数据；
S102，根据预设的检测模型对电池数据进行检测，得到每一电池的异常数据；
S103，根据预设的异常类别标签和预设的识别模型对异常数据进行识别处理，得到包含异常类别标签的标准异常数据和每一异常类别标签对应的异常电池集合；
S104，对标准异常数据进行过滤处理，得到目标异常数据；
S105，根据目标异常数据，对异常电池集合的电池进行处理。
在对电池进行一致性检测时，首先获取电池簇的电池数据，该电池数据包括电池簇内每一电池的电压数据和电流数据。例如，根据不同典型工况下的电池簇的充放电曲线，获取同一日内某时刻该电池簇内每一电池的电压数据，当日最高电压数据、当日最低电压数据以及每一电池的电压压差等等。进而，根据预设的检测模型对电池数据进行检测，为了提高检测准确性，可以采用高斯分布与格鲁布斯检验法进行融合交叉验证，得到每一电池的异常数据。其中，异常数据包括电压上不齐、电压下不齐等等。进而，根据预设的异常类别表情和预设的识别模型对异常数据进行识别处理，得到包含异常类别标签的标准异常数据，以及每一异常类别标签对应的异常电池集合，这样一来，能够对不同异常类别的电池进行分类，形成异常电池集合，节省了后续对不同异常类别的电池进行异常处理的时间；另外，该方法还对标准异常数据进行过滤处理，得到目标异常数据，最后根据目标异常数据，对异常电池集合的电池进行处理，能够提高检测准确性以及异常处理的即时性。
参照图2，在一些实施例中，步骤S102，包括：
S201，根据基于高斯分布的拉依达算法对电池数据进行检测，得到第一异常数据；
S202，根据格鲁布斯算法对电池数据进行检测，得到第二异常数据。
为了提高检测准确性，在对电池的一致性进行检测时，可以采用高斯分布与格鲁布斯检验法进行融合交叉验证，得到每一电池的异常数据。具体地，可以根据电池簇中每一电池的电压数据，得到该电池簇的电池的电压标准差，将电压标准差的三倍作为标准差阈值。进而，根据某一时刻的电池电压值、电池的电压标准差以及基于高斯分布的拉依达算法对电池数据进行筛选和检测，得到第二电压异常数据或者第三电压异常数据，这两个电压异常数据主要用于检测电池的电压是否存在荷电状态不齐的问题。另外，通过格鲁布斯算法可以对每一个可能的电压数据的异常值进行计算。例如，可以使用格鲁布斯算法对每一个可能的异常值xout，计算Gn，公式如下：其中σ为样本标准差，/>为样本均值。当查询格鲁布斯临界值表Gp(n)时，当满足Gn＞Gp(n)，则判定该电压数据为异常值，使用单边检验方式，从压差大的优先检测或以矩阵形式并行检测。关于单边检验方式的临界值的公式计算如下：/>其中N代表样本数量，这里实际代表一个电池簇内所有待检测电池总数；tα/N,N-2表示t-分布中自由度为N-2、显著性水平为/>时的临界值。通过上述两种方法能够实现对电池数据的融合交叉验证，提高检测准确性。
参照图3，在一些实施例中，电池数据包括每一电池的电压数据，步骤S201，包括：
S301，若电压数据大于第一电压阈值或者电压数据小于第二电压阈值，则对电压数据进行归一化处理，得到标准电压数据；
S302，根据所有电压数据和基于高斯分布的拉依达算法，得到每一电池的电压标准差；
S303，根据电压标准差，得到第一电压异常数据或者第二电压异常数据。
其中，第一电压阈值大于第二电压阈值。
在根据基于高斯分布的拉依达算法对电池数据进行检测时，首先可以根据获取到的某天每一预设时刻的电池数据，该电池数据包括每一预设时刻下，每一电池的电压数据(电压值、电压标准差等等)；则分别比较每一预设时刻下的电压数据(电压值)与第一电压阈值的大小关系，以及每一预设时刻下的电压数据与第二电压阈值的大小关系。若电压数据大于第一电压阈值或者电压数据小于第二电压阈值，则对电压数据进行归一化处理，得到标准电压数据，即保持与电流方向相反的标准电压数据，其他电压数据置零。进而比较电压标准差与标准差阈值、第三电压阈值的大小关系，得到电池关于是否出现荷电状态不齐问题的第一电压异常数据或者第二电压异常数据。若某一预设时刻下的电压数据(电压值)小于或者等于第一电压阈值，或者该电压数据大于或等于第二电压阈值，则将该预设时刻下的电压数据剔除，以提高检测准确性。
参照图4，在一些实施例中，步骤S303，包括：
S401，若存在至少一个电池的电压标准差大于预设的标准差阈值，且电压标准差大于第三电压阈值，则生成第一电压异常数据；
S402，若存在至少一个电池的电压标准差小于或等于预设的标准差阈值，且电压标准差小于第三电压阈值，则生成第二电压异常数据。
具体地，在比较电压标准差与标准差阈值、第三电压阈值的大小关系时，若存在至少一个电池的电压标准差大于预设的标准差阈值，且电压标准差大于第三电压阈值，则生成第一电压异常数据，该第一电压异常数据表示电池出现了荷电状态上不齐的问题；若存在至少一个电池的电压标准差小于或等于预设的标准差阈值，且电压标准差小于第三电压阈值，则生成第二电压异常数据，该第二电压异常数据表示电池出现了荷电状态下不齐的问题。
参照图5，在一些实施例中，电池数据包括每一电池的电压数据，步骤S202，包括：
S501，若电压数据大于第一电压阈值或者电压数据小于第二电压阈值，则对电压数据进行归一化处理，得到标准电压数据；
S502，根据格鲁布斯算法和标准电压数据，得到第三电压异常数据或者第四电压异常数据。
在根据格鲁布斯算法对电池数据进行检测时，首先可以根据获取到的某天每一预设时刻的电池数据，该电池数据包括每一预设时刻下，每一电池的电压数据(电压值、电压标准差等等)；则分别比较每一预设时刻下的电压数据(电压值)与第一电压阈值的大小关系，以及每一预设时刻下的电压数据与第二电压阈值的大小关系。若电压数据大于第一电压阈值或者电压数据小于第二电压阈值，则对电压数据进行归一化处理，得到标准电压数据。进而根据格鲁布斯算法，比较标准电压数据与第一归一化阈值、第二归一化阈值的大小关系，得到电池关于是否出现强电池或者弱电池问题的第三电压异常数据或者第四电压异常数据。若某一预设时刻下的电压数据(电压值)小于或者等于第一电压阈值，或者该电压数据大于或等于第二电压阈值，则将该预设时刻下的电压数据剔除，以提高检测准确性。
参照图6，在一些实施例中，步骤S502，包括：
S601，若标准电压数据大于第一归一化阈值，则生成第三电压异常数据；
S602，若标准电压数据小于第一归一化阈值，且标准电压数据大于第二归一化阈值，则生成第四电压异常数据；
其中，第一归一化阈值大于第二归一化阈值。
具体地，在根据格鲁布斯算法，比较标准电压数据与第一归一化阈值、第二归一化阈值的大小关系时，若标准电压数据大于第一归一化阈值，则生成第三电压异常数据，该第三电压异常数据表示电池出现了强电池的问题；若标准电压数据小于第一归一化阈值，且标准电压数据大于第二归一化阈值，则生成第四电压异常数据，该第三电压异常数据表示电池出现了弱电池的问题。
参照图7，在一些实施例中，电池数据包括电池偏差容量，步骤S105，包括：
S701，根据目标异常数据和电池偏差容量，得到优化系数；
S702，根据优化系数的大小，生成异常电池处理序列；
S703，根据异常电池处理序列，对每一异常电池集合的电池进行异常处理。
在得到电池的异常数据之后，根据预设的异常类别表情和预设的识别模型对异常数据进行识别处理，得到包含异常类别标签的标准异常数据以及每一异常类别标签对应的异常电池集合，其中，电池的异常类别可以根据电池存在的短板电池、短板趋势、SOC不齐电池、不齐模组等问题进行划分。例如，可以将电压偏高电池集合记为Up，电压偏低电池集合记为Down，同一个模组位置的电池记为OnePack；则设定集合DB＝{jj∈Up,j∈Down}，作为预分的短板类型，j为对应的单体序号；设定格鲁布斯算法区分后的强问题电池集合S1＝{j|j∈f1}，f1为使用高显著性水平的检验结果集合；弱问题电池集合S2＝{j|j∈f2}，f2为使用低显著性水平的检验结果集合；实际短板电池集合为duanban＝(DB∩S2)∪S1；设定备用集合设定备用集合/>则短板趋势电池集合为C＝A∩B；实际上不齐电池集合为/>模组上齐为集合为PUP＝{j|j∈SUP,j∈OnePack}。这样一来，能够对不同异常类别的电池进行分类，形成异常电池集合，节省了后续对不同异常类别的电池进行异常处理的时间。
另外，该方法还对标准异常数据进行过滤处理，得到目标异常数据。该过滤处理的过程可以是基于专家经验进行判断，不做限制。
进而，执行步骤S105，根据获取到的电池数据，可以计算出每一电池的电池偏差容量，例如，根据充放电曲线，得到每一异常电池的电池偏差容量，从而根据标准异常数据和电池偏差容量，得到每一异常电池的优化系数，该优化系数的数值可以表示异常电池的问题严重性。在一些实施例中，该优化系数可以直接用电池偏差容量进行表示。例如，假设某一异常电池的异常类型为短板问题，检测到的短板类型问题节点电压为X1，而该电池簇在当前时刻的最高电压X2，假定X1所在电池的充放电曲线跟X2的中间过程可以相近，则计算偏移时段t，即X1所在电池的电压为X2值时的时间t1，充电末端的时间为t2，则有t＝t2-t1；若此时段对应的电流为I，则将最终可得到偏移容量作为优化系数：
因而，根据优化系数的大小，对优化系数对应的异常电池进行降序排列，生成异常电池处理序列。最后根据异常电池处理序列，对每一异常电池集合的电池进行异常处理，提高了检测准确性以及异常处理的即时性。
该方法通过对充放特征数据的选取，从运行数据中减少了数据总量，提高了检测效率。同时，该方法结合了基于高斯分布的拉依达算法以及格鲁布斯算法，通过选取合理又易于工程实践的异常值检测算法，能够有效地降低单一算法的局限性，也能够通过交叉验证提高检测准确度。另外，本方法通过有机结合算法和电池问题基础特征，直接实现对电池不一致性问题的细分，计算优化系数，从而能够根据优化系数直接对接工程进行维护，时效性较好。
第二方面，参照图8，本发明实施例的电池检测装置包括：
电池数据获取模块801，用于获取电池簇的电池数据；
检测模块802，用于根据预设的检测模型对电池数据进行检测，得到每一电池的异常数据；
识别模块803，用于根据预设的异常类别标签和预设的识别模型对异常数据进行识别处理，得到包含异常类别标签的标准异常数据和每一异常类别标签对应的异常电池集合；
过滤模块804，用于对标准异常数据进行过滤处理，得到目标异常数据；
异常处理模块805，用于根据目标异常数据，对异常电池集合的电池进行处理。
在对电池进行一致性检测时，电池数据获取模块801首先获取电池簇的电池数据，该电池数据包括电池簇内每一电池的电压数据和电流数据。例如，根据不同典型工况下的电池簇的充放电曲线，获取同一日内某时刻该电池簇内每一电池的电压数据，当日最高电压数据、当日最低电压数据以及每一电池的电压压差等等。进而，检测模块802根据预设的检测模型对电池数据进行检测，为了提高准确性，可以采用高斯分布与格鲁布斯检验法进行融合交叉验证，得到每一电池的异常数据。其中，异常数据包括电压上不齐、电压下不齐等等。进而，识别模块803根据预设的异常类别表情和预设的识别模型对异常数据进行识别处理，得到包含异常类别标签的标准异常数据，以及每一异常类别标签对应的异常电池集合，这样一来，能够对不同异常类别的电池进行分类，形成异常电池集合，节省了后续对不同异常类别的电池进行异常处理的时间；另外，过滤模块804还对标准异常数据进行过滤处理，得到目标异常数据，最后异常处理模块805根据目标异常数据，对异常电池集合的电池进行处理，能够提高检测准确性以及异常处理的即时性。
第三方面，本发明实施例的电池检测设备，包括至少一个处理器，以及与至少一个处理器通信连接的存储器；其中，存储器存储有指令，指令被至少一个处理器执行，以使至少一个处理器执行指令时实现如第一方面实施例的电池检测方法。
根据本发明实施例的电池检测设备，至少具有如下有益效果：这种电池检测设备采用上述电池检测方法，通过获取电池簇的电池数据，根据预设的检测模型对电池数据进行检测，得到每一电池的异常数据，能够较为准确地对每一电池进行异常检测；进而，根据预设的异常类别标签和预设的识别模型对所述异常数据进行识别处理，得到包含异常类别标签的标准异常数据和每一异常类别标签对应的异常电池集合，这样一来，能够对不同异常类别的电池进行分类，形成异常电池集合，节省了后续对不同异常类别的电池进行异常处理的时间；另外，该方法还对标准异常数据进行过滤处理，得到目标异常数据，最后根据目标异常数据，对异常电池集合的电池进行处理，能够提高检测准确性以及异常处理即时性。
第四方面，本发明还提出一种计算机可读存储介质。计算机可读存储介质存储有计算机可执行指令，计算机可执行指令用于使计算机执行如第一方面实施例的电池检测方法。
根据本发明实施例的计算机可读存储介质，至少具有如下有益效果：这种计算机可读存储介质执行上述电池检测方法通过获取电池簇的电池数据，根据预设的检测模型对电池数据进行检测，得到每一电池的异常数据，能够较为准确地对每一电池进行异常检测；进而，根据预设的异常类别标签和预设的识别模型对所述异常数据进行识别处理，得到包含异常类别标签的标准异常数据和每一异常类别标签对应的异常电池集合，这样一来，能够对不同异常类别的电池进行分类，形成异常电池集合，节省了后续对不同异常类别的电池进行异常处理的时间；另外，该方法还对标准异常数据进行过滤处理，得到目标异常数据，最后根据目标异常数据，对异常电池集合的电池进行处理，能够提高检测准确性以及异常处理即时性。
上面结合附图对本发明实施例作了详细说明，但是本发明不限于上述实施例，在所属技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。此外，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。
Claims (9)
1.电池检测方法，其特征在于，包括：
获取电池簇的电池数据；
根据预设的检测模型对所述电池数据进行检测，得到每一电池的异常数据；
根据预设的异常类别标签和预设的识别模型对所述异常数据进行识别处理，得到包含异常类别标签的标准异常数据和每一异常类别标签对应的异常电池集合；
对所述标准异常数据进行过滤处理，得到目标异常数据；
根据所述目标异常数据，对所述异常电池集合的电池进行处理；
所述根据预设的检测模型对所述电池数据进行检测，得到每一电池的异常数据，包括：
根据基于高斯分布的拉依达算法对所述电池数据进行检测，得到第一异常数据；
根据格鲁布斯算法对所述电池数据进行检测，得到第二异常数据。
2.根据权利要求1所述的电池检测方法，其特征在于，所述电池数据包括每一电池的电压数据，所述根据基于高斯分布的拉依达算法对所述电池数据进行检测，得到第一异常数据，包括：
若电压数据大于第一电压阈值或者所述电压数据小于第二电压阈值，则对所述电压数据进行归一化处理，得到标准电压数据；
根据所有所述电压数据和基于高斯分布的拉依达算法，得到每一电池的电压标准差；
根据所述电压标准差，得到第一电压异常数据或者第二电压异常数据；
其中，所述第一电压阈值大于所述第二电压阈值。
3.根据权利要求2所述的电池检测方法，其特征在于，所述根据所述电压标准差，得到第一电压异常数据或者第二电压异常数据，包括：
若存在至少一个电池的电压标准差大于预设的标准差阈值，且所述电压标准差大于第三电压阈值，则生成第一电压异常数据；
若存在至少一个电池的电压标准差小于或等于预设的标准差阈值，且所述电压标准差小于第三电压阈值，则生成第二电压异常数据。
4.根据权利要求1所述的电池检测方法，其特征在于，所述电池数据包括每一电池的电压数据，所述根据格鲁布斯算法对所述电池数据进行检测，得到第二异常数据，包括：
若电压数据大于第一电压阈值或者所述电压数据小于第二电压阈值，则对所述电压数据进行归一化处理，得到标准电压数据；
根据格鲁布斯算法和所述标准电压数据，得到第三电压异常数据或者第四电压异常数据。
5.根据权利要求4所述的电池检测方法，其特征在于，所述根据格鲁布斯算法和所述标准电压数据，得到第三电压异常数据或者第四电压异常数据，包括：
若所述标准电压数据大于第一归一化阈值，则生成第三电压异常数据；
若所述标准电压数据小于第一归一化阈值，且所述标准电压数据大于第二归一化阈值，则生成第四电压异常数据；
其中，所述第一归一化阈值大于所述第二归一化阈值。
6.根据权利要求1至5任一项所述的电池检测方法，其特征在于，所述电池数据包括电池偏差容量，所述根据所述目标异常数据，对所述异常电池集合的电池进行处理，包括：
根据所述目标异常数据和电池偏差容量，得到优化系数；
根据所述优化系数的大小，生成异常电池处理序列；
根据所述异常电池处理序列，对每一所述异常电池集合的电池进行异常处理。
7.电池检测装置，其特征在于，包括：
电池数据获取模块，用于获取电池簇的电池数据；
检测模块，用于根据预设的检测模型对所述电池数据进行检测，得到每一电池的异常数据；
识别模块，用于根据预设的异常类别标签和预设的识别模型对所述异常数据进行识别处理，得到包含异常类别标签的标准异常数据和每一异常类别标签对应的异常电池集合；
过滤模块，用于对所述标准异常数据进行过滤处理，得到目标异常数据；
异常处理模块，用于根据所述目标异常数据，对所述异常电池集合的电池进行处理；
所述根据预设的检测模型对所述电池数据进行检测，得到每一电池的异常数据，包括：
根据基于高斯分布的拉依达算法对所述电池数据进行检测，得到第一异常数据；
根据格鲁布斯算法对所述电池数据进行检测，得到第二异常数据。
8.电池检测设备，其特征在于，包括：
至少一个处理器，以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行所述指令时实现如权利要求1至6任一项所述的电池检测方法。
9.计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1至6任一项所述的电池检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111144480.5A CN113900035B (zh) | 2021-09-28 | 2021-09-28 | 电池检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111144480.5A CN113900035B (zh) | 2021-09-28 | 2021-09-28 | 电池检测方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113900035A CN113900035A (zh) | 2022-01-07 |
| CN113900035B true CN113900035B (zh) | 2024-04-16 |
Family
ID=79189011
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111144480.5A Active CN113900035B (zh) | 2021-09-28 | 2021-09-28 | 电池检测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113900035B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114742297B (zh) * | 2022-04-11 | 2024-05-24 | 中国第一汽车股份有限公司 | 动力电池的处理方法 |
| CN116626514A (zh) * | 2023-05-23 | 2023-08-22 | 浙江海得智慧能源有限公司 | 一种失效电芯筛查方法、系统及设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111208445A (zh) * | 2020-02-25 | 2020-05-29 | 中国第一汽车股份有限公司 | 一种动力电池异常单体识别方法及系统 |
| CN111581046A (zh) * | 2020-03-19 | 2020-08-25 | 平安科技（深圳）有限公司 | 数据异常检测方法、装置、电子设备及存储介质 |
| CN112329350A (zh) * | 2020-11-17 | 2021-02-05 | 南京航空航天大学 | 基于隔离的飞机铅酸蓄电池异常检测半监督方法 |
| CN112379269A (zh) * | 2020-10-14 | 2021-02-19 | 武汉蔚来能源有限公司 | 电池异常检测模型训练及其检测方法、装置 |
| CN112632850A (zh) * | 2020-12-14 | 2021-04-09 | 华中科技大学 | 一种锂电池组中异常电池的检测方法及系统 |
-
2021
- 2021-09-28 CN CN202111144480.5A patent/CN113900035B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111208445A (zh) * | 2020-02-25 | 2020-05-29 | 中国第一汽车股份有限公司 | 一种动力电池异常单体识别方法及系统 |
| CN111581046A (zh) * | 2020-03-19 | 2020-08-25 | 平安科技（深圳）有限公司 | 数据异常检测方法、装置、电子设备及存储介质 |
| CN112379269A (zh) * | 2020-10-14 | 2021-02-19 | 武汉蔚来能源有限公司 | 电池异常检测模型训练及其检测方法、装置 |
| CN112329350A (zh) * | 2020-11-17 | 2021-02-05 | 南京航空航天大学 | 基于隔离的飞机铅酸蓄电池异常检测半监督方法 |
| CN112632850A (zh) * | 2020-12-14 | 2021-04-09 | 华中科技大学 | 一种锂电池组中异常电池的检测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113900035A (zh) | 2022-01-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111707951B (zh) | 一种电池组一致性评估方法及系统 | |
| CN108089133B (zh) | 储能系统电池组一致性检测方法及检测装置 | |
| CN113900035B (zh) | 电池检测方法、装置、设备及存储介质 | |
| CN101622547B (zh) | 用于检测蓄电装置的异常的装置和方法 | |
| CN112092675A (zh) | 一种电池热失控预警方法、系统及服务器 | |
| CN106443490B (zh) | 一种电池短路的故障诊断系统 | |
| CN110323508B (zh) | 电动汽车中动力电池的回收系统和方法 | |
| CN110045291B (zh) | 一种锂电池容量估计方法 | |
| 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 | |
| KR20230167249A (ko) | 배터리의 이상 감지 방법 및 이를 실행하는 배터리 관리 시스템 | |
| CN115327417A (zh) | 一种动力电池单体异常的预警方法、系统及电子设备 | |
| CN115061049B (zh) | 一种数据中心ups电池故障快速检测方法及系统 | |
| CN110927609B (zh) | 梯次利用电池储能系统的衰退评估方法及装置 | |
| CN116150572A (zh) | 一种基于聚类分析的汽车电池单体一致性缺陷评估方法 | |
| CN111487553A (zh) | 一种电池单体一致性评价的方法及其装置 | |
| CN108957347B (zh) | 一种电池组soc的高精度动态估计方法和系统 | |
| EP4040174A1 (en) | Device and method for diagnosing battery | |
| CN114047451A (zh) | 蓄电池状态识别方法及装置 | |
| CN117517966A (zh) | 一种电池组的故障诊断方法 | |
| CN117805649A (zh) | 基于soh量化电池容量衰减对异常电芯进行识别的方法 | |
| CN116879763A (zh) | 一种基于卡尔曼滤波算法的电池故障预警方法 | |
| CN116819373A (zh) | 车用退役电池的分级方法以及系统 | |
| 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 | |
| CN116256642A (zh) | 一种适用于稀疏数据的磷酸铁锂电池故障诊断方法 | |
| CN110297189B (zh) | 一种电池模组中单串电池的一致性评估方法 |
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 |