CN113933732A - 新能源汽车动力电池健康状态分析方法、系统及存储介质 - Google Patents
新能源汽车动力电池健康状态分析方法、系统及存储介质 Download PDFInfo
- Publication number
- CN113933732A CN113933732A CN202111193827.5A CN202111193827A CN113933732A CN 113933732 A CN113933732 A CN 113933732A CN 202111193827 A CN202111193827 A CN 202111193827A CN 113933732 A CN113933732 A CN 113933732A
- Authority
- CN
- China
- Prior art keywords
- power battery
- data
- battery
- detection
- new energy
- 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
- 230000036541 health Effects 0.000 title claims abstract description 75
- 238000004458 analytical method Methods 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 claims abstract description 55
- 238000001514 detection method Methods 0.000 claims description 146
- 238000007600 charging Methods 0.000 claims description 60
- 238000007726 management method Methods 0.000 claims description 33
- 230000008569 process Effects 0.000 claims description 33
- 238000005259 measurement Methods 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 26
- 239000000178 monomer Substances 0.000 claims description 21
- 238000011156 evaluation Methods 0.000 claims description 20
- 230000002159 abnormal effect Effects 0.000 claims description 17
- 239000000523 sample Substances 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims description 12
- 229910052744 lithium Inorganic materials 0.000 claims description 12
- 238000013500 data storage Methods 0.000 claims description 8
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000011895 specific detection Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 238000005070 sampling Methods 0.000 description 20
- 238000012544 monitoring process Methods 0.000 description 19
- 238000012360 testing method Methods 0.000 description 8
- 230000006872 improvement Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 238000007599 discharging Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000003862 health status Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 238000003878 thermal aging Methods 0.000 description 2
- 241000277284 Salvelinus fontinalis Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010277 constant-current charging Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000011076 safety test Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012031 short term test Methods 0.000 description 1
- 238000007086 side reaction Methods 0.000 description 1
- 238000012549 training 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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- 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]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (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
本发明涉及新能源汽车技术领域，公开了新能源汽车动力电池健康状态分析方法、系统及存储介质，通过对动力电池历史运行数据以及充电数据的采集、处理，再将处理后的数据输入到不同的算法模型中进行分析，最后得到动力电池的健康状态安全性指标，降低了动力电池的使用安全风险，使用户清楚了解到新能源汽车动力电池的现状。本发明具有对动力电池健康状态进行快速精准检测的有益效果。
Description
技术领域
本发明涉及新能源汽车技术领域，具体涉及一种新能源汽车动力电池健康状态分析方法、系统及存储介质。
背景技术
随着全球石油资源的枯竭以及环境污染的不断加剧，为了应对能源危机以及降低温室效应，新能源技术得到了大力发展，其中新能源汽车技术已成为行业关注焦点。面对新能源汽车技术的大力发展与新能源汽车的全面普及，如何保证新能源汽车的安全性成为了重点关注的话题，而动力电池作为新能源汽车的核心部件，其健康状态直接决定了整个新能源汽车的安全性，但是目前市场上缺乏针对在用新能源汽车动力电池安全状态的有效检测系统和方法。
为解决这一问题，现有技术中有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。
虽然该方案能够对电池健康状态进行实时监控，但是其基于车辆运行全生命周期的数据进行模型检验，由于数据精度和采样时间间隔长，导致检测结果精度有限。如果想实现对动力电池的高精度检测，则需要将动力电池从车上分离后进行测试，该过程周期长，无法实现新能源汽车不拆电池条件下的快速检测。
发明内容
本发明意在提供新能源汽车动力电池健康状态分析方法、系统及存储介质，以解决不拆卸动力电池条件下，对动力电池健康状态进行快速精准检测的技术问题。
为达到上述目的，本发明采用如下技术方案：新能源汽车动力电池健康状态分析方法，包括以下步骤，
步骤S1，采集新能源汽车在固定时间段内的历史运行数据形成第一数据集合；
步骤S2，在特定环境温度条件下使用特定的检测设备对新能源汽车的动力电池进行快速充电；
步骤S3，采集动力电池在快速充电过程中的充电数据形成第二数据集合；
步骤S4，按照预设的处理策略对第一数据集合和第二数据集合进行处理后，得到有效数据集合；
步骤S5，将有效数据集合输入不同的算法模型中进行分析，得到动力电池的健康状态分析报告，并根据分析报告评估动力电池安全性指标。
本方案的原理及优点是：实际应用时，利用采集到的新能源汽车在固定时间段内的历史运行数据作为第一数据样本，同时利用检测设备对新能源汽车的动力电池进行快速充电，在充电过程中采集充电数据作为第二数据样本，然后将第一数据样本和第二数据样本进行数据提取、整理和清洗，得到有效数据后利用算法模型对有效数据进行分析，最后得到动力电池当前状态的安全性指标。本方案不需要将新能源汽车的动力电池拆除进行单独检测，直接利用检测设备对新能源汽车进行检测，整个检测过程对新能源汽车无损伤，并且能够同时或单独使用新能源汽车运行历史数据和专用检测设备采集的充电数据，进行动力电池健康状态的检测，而且采集充电数据的过程时间短，实现了对动力电池健康状态的快速检测。
优选的，作为一种改进，处理策略包括以下内容，
步骤S41，将车辆运行历史数据和充电数据中的无效值和异常值删除，提取与分析项目有关的数据片段；
步骤S42，将提取后的数据整理成适用于模型和算法输入的数据形式。
采集到的车辆运行历史数据和充电数据中，并不是所有的数据都能够用来分析计算，有一些特殊情况下的数据，例如电压或者电流突变产生的数据则不适用于算法模型进行分析，故将其中的无效值和异常值删除，能够得到有效的数据包，避免对后续的计算分析产生不良干扰作用，影响对动力电池健康状态的评估结果；同时对数据进行提取以及整理数据形式，则是为了方便后续算法模型的分析过程的顺利进行。
优选的，作为一种改进，算法模型包括电池系统故障检测模型、电池单体一致性检测模型和电池管理系统BMS测量精度检测模型。
现有技术中，没有对新能源汽车动力电池的健康状态分析，有的只是对动力电池的状态监测，目的在于判断出动力电池是处于健康状态还是故障状态，没有想到去对动力电池的健康状态作具体分析；同时虽然现在单独的有对动力电池单体一致性检测的技术，但是作为一个系统整体，本方案将这几种检测都囊括在内的做法是别人想不到的，而本方案之所以这样做，是为了在检测电池系统故障的同时，还能针对电池单体故障和电池管理系统BMS测量精度作出检测，系统性地分析动力电池的健康状态，使动力电池的安全性得到保障。
优选的，作为一种改进，电池系统故障检测模型包括电池系统SOH检测、基于运行历史数据的故障状态检测和基于线下充电数据的故障状态检测。
现在对电池系统故障的检测，仅仅是基于动力电池的历史运行数据进行的，这就造成最终对动力电池的检测结果准确性不够高，而利用对电池系统SOH检测、基于运行历史数据的故障状态检测以及结合线下充电数据的故障状态检测，能够对动力电池的故障检测更全面，将所有可能导致故障的因素都考虑进去，并进行综合分析，保证了最终对动力电池故障检测结果的准确性。
优选的，作为一种改进，电池单体一致性检测模型包括电池单体电压一致性检测、电池温度探针一致性检测和电池单体内阻一致性检测。
在充电过程中，基于动力电池的运行数据，分析出电池单体电压一致性指标、温度探针一致性指标和单体内阻一致性指标，虽然现在有对电池做电压一致性检测和内阻一致性检测，但是其准确率都不能够很好的保证，而动力电池在运行过程中会产生大量的热，使温度急剧升高，会一定程度影响电池的性能，因此本方案中还考虑进了温度探针一致性检测，使对电池单体一致性检测结果更真实准确，更能准确分析出动力电池的健康状态。
优选的，作为一种改进，电池管理系统BMS测量精度检测模型包括电池管理系统总电压测量精度检测和电池管理系统总电流测量精度检测。
现在对动力电池健康状态分析所利用的数据，均是来源于BMS电池管理系统中，而在对BMS电池管理系统数据进行采集便直接开始分析，则有准确率得不到保证的问题，因为对任何数据的测量以及采集，都会涉及到精度问题，因此本方案中对电池管理系统总电压测量精度和电池管理系统总电流测量精度进行检测，能够排除数据采集过程产生偏差所导致的问题，不仅是现有技术所意想不到的，同时也能够保证对动力电池健康状态分析结果的准确性。
优选的，作为一种改进，基于运行历史数据的故障状态检测包括连接异常状态检测和自放电状态检测。
由于新能源汽车在使用过程中会产生长期、持续的振动，从而动力电池有连接松动或连接断裂的风险，并且动力电池在长时间使用过程中，由于电池制程不良和内部副反应的加剧，可能会发生自放电现象，通过历史运行数据对动力电池的连接异常状态和自放电状态进行检测，能够准确判断出动力电池是否发生了相应的故障，从而为后续数据的分析方向提供参考，提高动力电池故障分析结果的准确性。
优选的，作为一种改进，基于线下充电数据的故障状态检测包括内短路故障检测和负极析锂故障检测。
通过对动力电池进行线下故障检测，能够检测出动力电池是否有短路故障以及负极析锂故障，从而为整体的健康状态分析结果提供参考数据，最终得到准确的安全性评估。
本发明还提供了一种新能源汽车动力电池健康状态分析系统，包括处理器模块，以及分别与处理器模块连接的数据采集模块和显示模块；
数据采集模块，用于采集新能源汽车动力电池的历史运行数据以及充电过程中的充电数据形成数据集合，并将数据集合发送至处理器模块；
处理器模块，包括数据存储单元和分析处理单元，数据存储单元，用来接收并存储所述数据采集模块发送来的数据集合；分析处理单元，用来对所述数据集合进行分析处理，得到动力电池的健康状态分析报告，然后评估动力电池安全性指标形成评估结果，并将评估结果发送至显示模块；
显示模块，用来显示所述评估结果。
通过数据采集模块采集动力电池的历史数据以及充电过程中的充电数据，然后利用处理器模块中的分析处理单元，通过算法模型对数据进行分析处理，最终得到动力电池的健康状态精准评估结果，使用户清楚了解到新能源汽车动力电池的现状，降低了动力电池的使用安全风险，同时也使用户能够放心使用新能源汽车，提高用户的体验感受。
本发明还提供了一种新能源汽车动力电池健康状态分析存储介质，存储介质中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权利要求1至8任一项所述的新能源汽车动力电池健康状态分析方法。
通过设置的存储介质，能够存储执行对动力电池健康状态分析方法的计算机程序，从而实现对动力电池健康状态的快速有效检测，得到精准的安全性评估结果，降低了动力电池的使用安全风险，保证了用户使用新能源汽车的安全性。
附图说明
图1为本发明新能源汽车动力电池健康状态分析方法、系统及存储介质实施例一的分析流程示意图。
图2为本发明新能源汽车动力电池健康状态分析方法、系统及存储介质实施例一的系统示意图。
具体实施方式
下面通过具体实施方式进一步详细说明：
说明书附图中的标记包括：处理器模块1、数据采集模块2、显示模块3、数据存储单元4、分析处理单元5。
实施例一：
本实施例基本如附图1所示：新能源汽车动力电池健康状态分析方法，包括以下步骤，
步骤S1，采集新能源汽车在固定时间段内的历史运行数据形成第一数据集合；
步骤S2，在特定环境温度条件下使用特定的检测设备通过充电接口对新能源汽车的动力电池进行快速充电；
步骤S3，采集动力电池在快速充电过程中的充电数据形成第二数据集合；
步骤S4，按照预设的处理策略对第一数据集合和第二数据集合进行处理后，得到有效数据集合；
步骤S41，将车辆运行历史数据和充电数据中的无效值和异常值删除，提取与分析项目有关的数据片段；
步骤S42，将提取后的数据整理成适用于模型和算法输入的数据形式；
步骤S5，将有效数据集合输入不同的算法模型中进行分析，得到动力电池的健康状态分析报告，并根据分析报告对动力电池的安全性测试进行满分为100分的评分。
对有效数据集合进行分析所采用的算法模型包括电池系统故障检测模型、电池单体一致性检测模型和电池管理系统BMS测量精度检测模型。其中，电池系统故障检测模型包括电池系统SOH检测、基于运行历史数据的故障状态检测和基于线下充电数据的故障状态检测；在电池系统故障检测模型中，线上数据故障状态检测包括连接异常检测和自放电检测，线下故障状态检测包括单体内短路故障检测和单体负极析锂故障检测。电池单体一致性检测模型包括电池单体电压一致性检测、电池温度探针一致性检测和电池单体内阻一致性检测；电池管理系统BMS测量精度检测模型包括电池管理系统总电压测量精度检测和电池管理系统总电流测量精度检测。
电池系统SOH检测有6个参数，
SOHk＝F(C，Vk，Ti，SOC，Capacityinit)
式中，SOHk为动力电池模组中第k个电池单体的健康状况，C为动力电池总电流，Vk为动力电池模组中第k个电池单体的电压，Ti为动力电池模组中第i个温度探针的值，SOC为新能源汽车仪表片上系统，Capacityinit为电池单体初始容量，SOH的检测阈值为70％。
电池管理系统SOH按照各单体最低SOH进行估计，即：
SOH＝min(SOHk) k＝1，2，3...
现有的动力电池检测技术中，没有电池系统SOH检测，也没有想到利用动力电池总电流、电池单体的电压、温度探针值、仪表片上系统和电池单体初始容量来分析动力电池的健康状态，即使想到利用其中几个因素来对动力电池作出分析，也没有本方案中对动力电池健康状态分析全面，同时相比于现有技术，利用上述几个因素分析结果的准确性答复提升，能够准确判断出动力电池的具体健康状态。
连接异常状态检测有4个参数，
yi＝f(Vi，char_status，C)
式中，yi为电池管理系统内第i个电池单体时间序列特征值，Vi为电池管理系统第i个电池单体的电压，char_status为动力电池充放电状态，C为动力电池总电流，连接异常状态检测的阈值为Y/N。
现有技术中针对电池系统连接异常的检测，通常都是对电池系统的单体电压进行突变或者反向检测，而本方案中利用电池管理系统内电池单体时间序列特征值，包括电池单体的电压、动力电池充放电状态和动力电池总电流，来综合判断电池系统使否发生连接异常故障，不仅具有意想不到性，同时对电池系统的故障检测准确性也有极大程度的提高，保证了新能源汽车动力电池的使用安全性。
自放电状态检测有4个参数，
yi＝f(Vi，char_status，SOC)
式中，yi为电池管理系统内第i个电池单体时间序列特征值，Vi为电池管理系统第i个电池单体的电压，char_status为动力电池充放电状态，SOC为电池管理系统的当前荷电状态，自放电状态检测的阈值为Y/N。
现在对于动力电池的健康检测，没有将电池系统的自放电情况考虑进去，而本方案中对电池管理系统内电池单体时间序列特征值进行检测，利用电池单体的电压、动力电池充放电状态和电池管理系统的当前荷电状态来准确判断出动力电池系统的自放电状态，为动力电池的健康状态分析提供可靠的分析数据，从而保证动力电池的安全性。
电池单体电压一致性检测，采用新能源汽车运行历史数据或专用检测设备采集的充电数据。在充电过程中，基于各最小监控单元电压值，计算每一个采样时刻对应的各最小监控单元之间的极差电压，把所有采样时刻对应的极差电压的均方根作为评价电压一致性的指标，
式中，N为采样点个数，j为采样点时刻，Vmax-j为充电阶段第j时刻各最小监控单元电压的最大值(单位为V)，Vmin-j为充电阶段第j时刻各最小监控单元电压的最小值(单位为V)，rv为所有采样时刻对应的各最小监控单元之间的极差电压的均方根，即电压一致性指标值，电压一致性阈值为0.58tv(tv＝2.5％*电压均值)。
电池温度探针一致性检测，采用新能源汽车运行历史数据或专用检测设备采集的充电数据。在充电过程中，基于各最小监控单元温度值，计算每一个采样时刻对应的各最小监控单元之间的极差温度，把所有采样时刻对应的极差温度的均方根作为评价温度一致性的指标，
式中，N为采样点个数，j为采样点时刻，Tmax-j为充电阶段第j时刻各最小监控单元温度的最大值(单位为摄氏度)，Tmin-j为充电阶段第j时刻各最小监控单元温度的最小值(单位为摄氏度)，rT为所有采样时刻对应的各最小监控单元之间的极差温度的均方根，即温度一致性指标值，温度一致性阈值为0.58tT(tT＝10摄氏度)。
电池单体内阻一致性检测，采用新能源汽车运行历史数据或专用检测设备采集的充电数据。在充电过程中，电流切换处的内阻可基本代表电池内阻的平均水平，在多阶段恒流充电时，以第一个高恒流电流降到低恒流电流处作为切换点。切换点时刻的最小监控单元电压差与电流差之比作为估计各最小监控单元电池的内阻，基于各最小监控单元电池的内阻，计算平均内阻，把所有最小监控单元电池内阻数据的均方根误差作为评价内阻一致性的指标，
式中，N为最小监控单元总数，i为最小监控单元序号，ri为第i个最小监控单元的内阻值(单位为毫欧)，UiA为电流切换前第i个最小监控单元的电压值(单位为V)，UiB为电流切换后第i个最小监控单元的电压值(单位为V)，IA为电流切换前的电流值(单位为A)，IB为电流切换后的电流值(单位为A)，rav为各最小监控单元的内阻平均值(单位为毫欧)，σr为各最小监控单元内阻均方根误差值，即内阻一致性指标值，内阻一致性阈值为0.58tr(tr＝0.5*内阻均值)。
电池管理系统总电压测量精度检测，采用专用检测设备采集的充电数据。在充电过程中，计算每一个采样时刻对应的检测设备与电池管理系统之间的总电压之差，把所有采样时刻的平均电压差作为总电压测量精度的指标，
式中，为总电压精度检测误差，N为采样点个数，j为采样点时刻，Vpack-j为电池管理系统的总电压测量值(单位为V)，V′pack-j为检测设备总电压测量值(单位为V)，总电压测量精度检测值阈值为±1％FS。
电池管理系统总电流测量精度检测，采用专用检测设备采集的充电数据。在充电过程中，计算每一个采样时刻对应的检测设备与电池管理系统之间的总电流之差，把所有采样时刻的平均电流差作为总电流测量精度的指标，
式中，为总电流精度检测误差，N为采样点个数，j为采样点时刻，Ipack-j为电池管理系统的总电流测量值(单位为A)，I′pack-j为检测设备总电流测量值(单位为A)，总电流测量精度检测值阈值为±2％FS。
如附图2所示，一种新能源汽车动力电池健康状态分析系统，包括处理器模块1，以及分别与处理器模块1连接的数据采集模块2和显示模块3；
数据采集模块2，用于采集新能源汽车动力电池的历史运行数据以及充电过程中的充电数据形成数据集合，并将数据集合发送至处理器模块1；
处理器模块1，包括数据存储单元4和分析处理单元5，数据存储单元4，用来接收并存储所述数据采集模块2发送来的数据集合；分析处理单元5，用来对所述数据集合进行分析处理，得到动力电池的健康状态分析报告，然后评估动力电池安全性指标形成评估结果，并将评估结果发送至显示模块3；
显示模块3，包括触控显示屏，所述触控显示屏用来显示所述评估结果。
一种新能源汽车动力电池健康状态分析存储介质，本实施例中采用移动硬盘，移动硬盘中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前述的新能源汽车动力电池健康状态分析方法。
通过数据采集模块2直接采集新能源汽车在固定时间段内的历史运行数据和动力电池在充电过程中的充电数据，然后利用不同的算法模型对采集到的数据进行分析处理，最后得到动力电池当前状态的安全性指标，从而对动力电池的健康状态进行准确的评估，保证新能源汽车在使用过程中的安全性。
本实施例的具体实施过程如下：
第一步，利用数据采集模块2采集新能源汽车动力电池在过去三个月内的历史运行数据，并形成第一数据集合，然后将第一数据集合发送至处理器模块1。
第二步，在室温下将新能源汽车与充电检测设备连接，用充电检测设备对动力电池进行时长不超过5分钟的快速充电。
第三步，数据采集模块2再次采集动力电池在快速充电过程中的输电数据形成第二数据集合，并将第二数据集合发送至处理器模块1。
第四步，处理器模块1将接收到的第一数据集合和第二数据集合存储在数据存储单元4中，再利用分析处理单元5对第一数据集合和第二数据集合进行处理，首先将车辆运行历史数据和充电数据中的无效值和异常值删除，提取与分析项目有关的数据片段，然后将提取后的数据整理成适用于模型和算法输入的数据形式，处理完成后得到有效数据集合。
第五步，将有效数据集合输入处理器模块1中的电池系统故障检测模型、电池单体一致性检测模型和电池管理系统BMS测量精度检测模型中进行分析，分别进行电池SOH检测、连接异常状态检测、自放电状态检测、电池单体电压一致性检测、电池温度探针一致性检测、电池单体内阻一致性检测、电池管理系统总电压测量精度检测和电池管理系统总电流测量精度检测。
第六步，检测完成后，得到动力电池的健康状态分析报告，动力电池的测试评分在60分以上，则表示动力电池健康状态评分等级合格，并将动力电池的评估结果通过显示模块3的触控显示屏显示出来。
随着新能源汽车的普及和发展，动力电池安全使用问题越来越突出，一旦动力电池发生故障，很容易造成新能源汽车起火，从而威胁用户的人身安全，因此要定期对动力电池的健康状态进行分析评估。但是由于技术或者成本原因，目前一般的检测方法是基于车辆运行全生命周期的数据进行模型检验，由于数据精度和采样时间间隔长，导致检测结果精度有限。如果想实现对动力电池的高精度检测，则需要将动力电池从车上分离后进行测试，该过程周期长，无法实现新能源汽车不拆电池条件下的快速检测。而本方案则不需要将新能源汽车的动力电池拆除进行单独检测，直接利用检测设备对新能源汽车进行检测，整个检测过程对新能源汽车无损伤，并且能够同时或单独使用新能源汽车运行历史数据和专用检测设备采集的充电数据，进行动力电池健康状态的检测，而且采集充电数据的过程时间短，实现了对动力电池健康状态的快速检测。保证了新能源汽车用户的驾驶安全。
实施例二：
本实施例基本与实施例一相同，区别在于：对动力电池还进行线下故障状态检测，包括内短路故障检测和负极析锂故障检测。
内短路故障检测，通过给车载电池一段电流激励，根据充电过程中采集到的单体电压、电流及温度探针数据，基于电池的电-热-老化模型，获得电池单体SOC、内阻等内短路特征参数值。
根据实验获取内短路发生前的内短路特征参数的演变速率；
综合特征参数演变速率和实时参数与内短路边界的实时距离来定量评估内短路风险。
负极析锂故障检测，通过给车载电池一段电流激励，根据充电过程中采集到的单体电压、电流及温度探针数据，基于电池的电-热-老化模型，获得与电池负极析锂相关的表征参数如负极表面锂沉积厚度、界面阻抗等。
根据实验获取负极析锂发生前的特征参数的演变速率；
综合特征参数演变速率和实时参数与析锂边界的实时距离来定量评估负极析锂风险。
本实施例的具体实施过程与实施例一基本相同，区别在于：
第五步，将有效数据集合输入处理器模块1中的电池系统故障检测模型、电池单体一致性检测模型和电池管理系统BMS测量精度检测模型中进行分析，分别进行电池系统SOH检测、连接异常状态检测、自放电状态检测、内短路故障检测、负极析锂故障检测、电池单体电压一致性检测、电池温度探针一致性检测、电池单体内阻一致性检测、电池管理系统总电压测量精度检测和电池管理系统总电流测量精度检测。
考虑到动力电池长时间运行后可能会发生内部结构或者内部电路故障，因此对动力电池进行内短路故障检测和负极析锂故障检测，从而增加对动力电池健康状态的评估维度，为整体的健康状态分析结果提供参考数据，最终得到更为准确的安全性评估。
实施例三：
本实施例基本与实施例一相同，区别在于：触控显示屏显示最终评估结果的同时，还能够显示当前动力电池的预估剩余使用时间，并显示动力电池下次检测时间点。
本实施例的具体实施过程与实施例一相同，区别在于：
第六步，检测完成后，得到动力电池的健康状态分析报告，动力电池的测试评分在60分以上，则表示动力电池健康状态评分等级合格，并将动力电池的评估结果通过显示模块3的触控显示屏显示出来，同时触控显示屏上还显示有当前动力电池的预估剩余使用时间，以及动力电池下次做健康状态检测的时间。
触控显示屏不仅用来显示当前的评估结果，还能够显示动力电池的预估剩余使用时间，使用户清楚更换动力电池的时间节点，避免动力电池失效给用户出行造成不便，同时还能显示动力电池下次做健康状态检测的时间，用以提醒用户按时为动力电池做健康状态检测，保证驾驶安全。
实施例四：
本实施例基本与实施例一相同，区别在于：分析处理单元5还能够根据对动力电池安全性指标的评估结果，分析出当前动力电池故障的维修方法，以及针对用户不恰当的驾驶习惯造成动力电池性能下降现象，向用户提出新能源汽车正确驾驶方式的建议。
本实施例的具体实施过程与实施例一相同，区别在于：
第六步，检测完成后，得到动力电池的健康状态分析报告，动力电池的测试评分在60分以上，则表示动力电池健康状态评分等级合格，并将动力电池的评估结果通过显示模块3的触控显示屏显示出来；同时分析处理单元5还能够根据动力电池的健康状态分析报告，分析出导致动力电池健康状态评分等级为合格的故障的维修方法，以及针对用户不恰当的驾驶习惯造成动力电池性能下降现象，向用户提出新能源汽车正确驾驶方式的建议，并在触控显示屏上显示出来。
现有技术对于动力电池健康状态的监测，重点在于对动力电池运行过程的监控，而一旦动力电池出现故障，则直接导致动力电池损坏，没有挽救的余地，只能更换动力电池，而本方案中的健康状态分析，在动力电池进行充电前进行，若检测到动力电池出现故障，则断开动力电池的充电接口，保证了动力电池的安全性以及用户的人身安全，同时还能够在检测过程中针对导致动力电池健康状态评分等级为合格的故障，分析出动力电池的维修方法，以及针对用户不恰当的驾驶习惯造成动力电池性能下降现象，向用户提出新能源汽车正确驾驶方式的建议，从另一维度上来解决动力电池健康状态下滑的问题，提高了动力电池的使用年限，也为用户节约了使用成本。
以上所述的仅是本发明的实施例，方案中公知的具体技术方案和/或特性等常识在此未作过多描述。应当指出，对于本领域的技术人员来说，在不脱离本发明技术方案的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (10)
1.新能源汽车动力电池健康状态分析方法，其特征在于，包括以下步骤：
步骤S1，采集新能源汽车在固定时间段内的历史运行数据形成第一数据集合；
步骤S2，在特定环境温度条件下使用特定的检测设备对新能源汽车的动力电池进行快速充电；
步骤S3，采集动力电池在快速充电过程中的充电数据形成第二数据集合；
步骤S4，按照预设的处理策略对第一数据集合和第二数据集合进行处理后，得到有效数据集合；
步骤S5，将有效数据集合输入不同的算法模型中进行分析，得到动力电池的健康状态分析报告，并根据分析报告评估动力电池安全性指标。
2.根据权利要求1所述的新能源汽车动力电池健康状态分析方法，其特征在于：所述处理策略包括以下内容，
步骤S41，将车辆运行历史数据和充电数据中的无效值和异常值删除，提取与分析项目有关的数据片段；
步骤S42，将提取后的数据整理成适用于模型和算法输入的数据形式。
3.根据权利要求1所述的新能源汽车动力电池健康状态分析方法，其特征在于：所述算法模型包括电池系统故障检测模型、电池单体一致性检测模型和电池管理系统BMS测量精度检测模型。
4.根据权利要求3所述的新能源汽车动力电池健康状态分析方法，其特征在于：所述电池系统故障检测模型包括电池系统SOH检测、基于运行历史数据的故障状态检测和基于线下充电数据的故障状态检测。
5.根据权利要求3所述的新能源汽车动力电池健康状态分析方法，其特征在于：所述电池单体一致性检测模型包括电池单体电压一致性检测、电池温度探针一致性检测和电池单体内阻一致性检测。
6.根据权利要求3所述的新能源汽车动力电池健康状态分析方法，其特征在于：所述电池管理系统BMS测量精度检测模型包括电池管理系统总电压测量精度检测和电池管理系统总电流测量精度检测。
7.根据权利要求4所述的新能源汽车动力电池健康状态分析方法，其特征在于：所述基于运行历史数据的故障状态检测包括连接异常状态检测和自放电状态检测。
8.根据权利要求4所述的新能源汽车动力电池健康状态分析方法，其特征在于：所述基于线下充电数据的故障状态检测包括内短路故障检测和负极析锂故障检测。
9.新能源汽车动力电池健康状态分析系统，其特征在于：包括处理器模块，以及分别与处理器模块连接的数据采集模块和显示模块；
所述数据采集模块，用于采集新能源汽车动力电池的历史运行数据以及充电过程中的充电数据形成数据集合，并将数据集合发送至处理器模块；
所述处理器模块，包括数据存储单元和分析处理单元，所述数据存储单元，用来接收并存储所述数据采集模块发送来的数据集合；所述分析处理单元，用来对所述数据集合进行分析处理，得到动力电池的健康状态分析报告，然后评估动力电池安全性指标形成评估结果，并将评估结果发送至显示模块；
所述显示模块，用来显示所述评估结果。
10.新能源汽车动力电池健康状态分析存储介质，其特征在于：所述存储介质中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8任一项所述的新能源汽车动力电池健康状态分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111193827.5A CN113933732A (zh) | 2021-10-13 | 2021-10-13 | 新能源汽车动力电池健康状态分析方法、系统及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111193827.5A CN113933732A (zh) | 2021-10-13 | 2021-10-13 | 新能源汽车动力电池健康状态分析方法、系统及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113933732A true CN113933732A (zh) | 2022-01-14 |
Family
ID=79278708
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111193827.5A Pending CN113933732A (zh) | 2021-10-13 | 2021-10-13 | 新能源汽车动力电池健康状态分析方法、系统及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113933732A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112083736A (zh) * | 2020-08-11 | 2020-12-15 | 广东电网有限责任公司电力科学研究院 | 一种无人机跟踪方法 |
| CN114415032A (zh) * | 2022-01-25 | 2022-04-29 | 中国汽车工程研究院股份有限公司 | 一种动力电池安全性检测方法、系统及存储介质 |
| CN115657552A (zh) * | 2022-10-25 | 2023-01-31 | 孙翀 | 一种新能源汽车电池消防安全智能监测控制系统及方法 |
| CN116736142A (zh) * | 2023-08-14 | 2023-09-12 | 新誉集团有限公司 | 一种电池组健康状况预警的方法、系统及装置 |
| CN116754957A (zh) * | 2023-06-13 | 2023-09-15 | 苏州天希电子科技有限公司 | 一种新能源汽车用动力电池测试系统 |
| WO2023185601A1 (zh) * | 2022-03-29 | 2023-10-05 | 北京芯虹科技有限责任公司 | 一种电池健康状态信息确定方法、装置及电池系统 |
| CN116882981A (zh) * | 2023-09-07 | 2023-10-13 | 深圳市海雷新能源有限公司 | 基于数据分析的智能电池管理系统 |
| WO2023221587A1 (zh) * | 2022-05-16 | 2023-11-23 | 深圳市道通合创数字能源有限公司 | 电动车辆的动力电池的健康状态确定方法及服务器 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09294304A (ja) * | 1996-04-25 | 1997-11-11 | Nissan Motor Co Ltd | 電気自動車の充電制御装置 |
| CN104459552A (zh) * | 2014-11-28 | 2015-03-25 | 上海交通大学 | 评估充电行为对电动汽车电池健康状况的影响的方法 |
| US20180106868A1 (en) * | 2016-10-19 | 2018-04-19 | Hyundai Motor Company | Method for estimating a battery state of health |
| CN112765772A (zh) * | 2020-12-25 | 2021-05-07 | 武汉理工大学 | 一种基于数据驱动的动力电池剩余寿命预测方法 |
| CN113049976A (zh) * | 2021-04-27 | 2021-06-29 | 武汉理工大学 | 一种车辆电池健康状态评估方法及系统 |
| CN113093041A (zh) * | 2021-04-06 | 2021-07-09 | 吴炜 | 一种新能源汽车动力系统电池健康状态远程数据采集和诊断分析系统 |
| CN113306449A (zh) * | 2021-06-15 | 2021-08-27 | 安徽信息工程学院 | 一种新能源汽车的电池健康提醒方法及系统 |
| CN113376526A (zh) * | 2021-04-29 | 2021-09-10 | 广汽三菱汽车有限公司 | 汽车电池容量预测方法、寿命预测方法、装置及存储介质 |
-
2021
- 2021-10-13 CN CN202111193827.5A patent/CN113933732A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09294304A (ja) * | 1996-04-25 | 1997-11-11 | Nissan Motor Co Ltd | 電気自動車の充電制御装置 |
| CN104459552A (zh) * | 2014-11-28 | 2015-03-25 | 上海交通大学 | 评估充电行为对电动汽车电池健康状况的影响的方法 |
| US20180106868A1 (en) * | 2016-10-19 | 2018-04-19 | Hyundai Motor Company | Method for estimating a battery state of health |
| CN112765772A (zh) * | 2020-12-25 | 2021-05-07 | 武汉理工大学 | 一种基于数据驱动的动力电池剩余寿命预测方法 |
| CN113093041A (zh) * | 2021-04-06 | 2021-07-09 | 吴炜 | 一种新能源汽车动力系统电池健康状态远程数据采集和诊断分析系统 |
| CN113049976A (zh) * | 2021-04-27 | 2021-06-29 | 武汉理工大学 | 一种车辆电池健康状态评估方法及系统 |
| CN113376526A (zh) * | 2021-04-29 | 2021-09-10 | 广汽三菱汽车有限公司 | 汽车电池容量预测方法、寿命预测方法、装置及存储介质 |
| CN113306449A (zh) * | 2021-06-15 | 2021-08-27 | 安徽信息工程学院 | 一种新能源汽车的电池健康提醒方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 杨刘倩 等: "电动汽车锂电池健康状态估算方法研究", 《电源技术》, vol. 40, no. 4, 20 April 2016 (2016-04-20), pages 823 - 825 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112083736A (zh) * | 2020-08-11 | 2020-12-15 | 广东电网有限责任公司电力科学研究院 | 一种无人机跟踪方法 |
| CN114415032A (zh) * | 2022-01-25 | 2022-04-29 | 中国汽车工程研究院股份有限公司 | 一种动力电池安全性检测方法、系统及存储介质 |
| WO2023185601A1 (zh) * | 2022-03-29 | 2023-10-05 | 北京芯虹科技有限责任公司 | 一种电池健康状态信息确定方法、装置及电池系统 |
| WO2023221587A1 (zh) * | 2022-05-16 | 2023-11-23 | 深圳市道通合创数字能源有限公司 | 电动车辆的动力电池的健康状态确定方法及服务器 |
| CN115657552A (zh) * | 2022-10-25 | 2023-01-31 | 孙翀 | 一种新能源汽车电池消防安全智能监测控制系统及方法 |
| CN116754957A (zh) * | 2023-06-13 | 2023-09-15 | 苏州天希电子科技有限公司 | 一种新能源汽车用动力电池测试系统 |
| CN116736142A (zh) * | 2023-08-14 | 2023-09-12 | 新誉集团有限公司 | 一种电池组健康状况预警的方法、系统及装置 |
| CN116736142B (zh) * | 2023-08-14 | 2023-10-24 | 新誉集团有限公司 | 一种电池组健康状况预警的方法、系统及装置 |
| CN116882981A (zh) * | 2023-09-07 | 2023-10-13 | 深圳市海雷新能源有限公司 | 基于数据分析的智能电池管理系统 |
| CN116882981B (zh) * | 2023-09-07 | 2023-11-21 | 深圳市海雷新能源有限公司 | 基于数据分析的智能电池管理系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113933732A (zh) | 新能源汽车动力电池健康状态分析方法、系统及存储介质 | |
| CN112092675B (zh) | 一种电池热失控预警方法、系统及服务器 | |
| CN110018425B (zh) | 一种动力电池故障诊断方法及系统 | |
| EP3933422B1 (en) | Diagnosis method for distinguishing micro-short-circuit fault of battery from small-capacity fault of battery | |
| 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 | |
| CN109116242B (zh) | 一种动力电池的数据处理方法和装置 | |
| CN111208439A (zh) | 一种串联锂离子电池组微短路故障定量检测方法 | |
| CN106526488A (zh) | 串联式动力电池包内传感器故障诊断方法 | |
| CN113687234B (zh) | 电池异常识别方法、装置、设备、介质及程序产品 | |
| CN113696786B (zh) | 电池均衡方法及系统 | |
| CN111257753B (zh) | 一种电池系统故障诊断方法 | |
| CN116027199B (zh) | 基于电化学模型参数辨识检测电芯全寿命内短路的方法 | |
| CN116401585B (zh) | 一种基于大数据的储能电池失效风险评估方法 | |
| Chang et al. | Electric vehicle battery pack micro-short circuit fault diagnosis based on charging voltage ranking evolution | |
| 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 | |
| Yuan et al. | Early stage internal short circuit fault diagnosis for lithium-ion batteries based on local-outlier detection | |
| CN115327386A (zh) | 一种基于电热耦合模型的电池组多故障诊断方法 | |
| CN117783742A (zh) | 一种基于新能源汽车的车辆运行故障分析方法 | |
| CN114646888A (zh) | 一种动力电池容量衰减的评估方法及系统 | |
| CN113687251A (zh) | 一种基于双模型的锂离子电池组电压异常故障诊断方法 | |
| US20220320604A1 (en) | Method for Sorting Lithium Cells | |
| Kulkarni et al. | Li-ion battery digital twin based on online impedance estimation | |
| CN113391214A (zh) | 一种基于电池充电电压排名变化的电池微故障诊断方法 | |
| 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 | |
| Yang et al. | Multi-fault diagnosis for battery pack based on adaptive correlation sequence and sparse classification model |
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 |