CN113960484B - 一种基于单体压差的大数据电池健康诊断方法 - Google Patents

Abstract

本发明提供一种基于单体压差的大数据电池健康诊断方法，其中具体步骤包括：数据处理得到充电电流矩阵J,单体端电压阵列G、计算获得平均端电压列向量、计算获得第n次充电的端电压压差矩列ΔV_n、计算获得第n次充电各单体的平均压差向量M_n、通过M_n获得该电池Pack历次充电的单体压差矩阵M、排出干扰且采用M矩阵除以历次充电平均电流矩阵得到新的矩阵M’、按列进行拆分获得各个单体的历次充电压差电压向量ΔV’_m、对向量ΔV’_m采用最小二乘法进行一次拟合，得到各单体拟合直线的斜率k_m和截距b_m。本发明采用单体电池的电压差结合电池组进行健康检测、基于电池充电次数的状态大数据进行多吃循环检测测定健康状态、检测标准合理、多次充电大数据检测精确效率高。

Description

一种基于单体压差的大数据电池健康诊断方法

技术领域

本发明涉及电池健康技术领域，尤其涉及一种基于单体压差的大数据电池健康诊断方法。

背景技术

新能源汽车动力电池健康状态(SOH)是评估动力电池续航能力最为重要的性能指标。准确的评估结果对消除车主的里程焦虑具有十分重要的意义。目前新能源汽车动力电池健康状态的判断方法多为车主凭借驾驶经验判断其续航里程明显下降后，将车辆开往4S店进行专业的检测，由4S店给出诊断结果。

凭车主经验判断电池健康，会因为季节、驾驶习惯、行驶路况等因素，造成判断结果不准确，增加4S店检测负担，同时无法有效消除车主的里程焦虑。一般对于电池健康的检测均是通过某次充电时，检测电池的充电状态以及所接受的电流，但是一次检测存在误差，同时对于电池健康的检测也是通过一次充电时，电池内部的电阻率的变化来判断电池的健康，一般电池都是电池组的形式组成，同时也是一次诊断并不能满足健康检测的确定状态。

发明内容

本发明提供了一种采用单体电池的电压差结合电池组进行健康检测、基于电池充电次数的状态大数据进行多吃循环检测测定健康状态、检测标准合理、多次充电大数据检测精确，效率高的基于单体压差的大数据电池健康诊断的方法。

本发明为了解决其技术问题所采用的技术方案是：

一种基于单体压差的大数据电池健康诊断方法，包括如下步骤：

(1)获得指定车辆历次充电时的采样数据：采样数据包括充电电流和各单体端电压，经数据处理后得到充电电流矩阵J和单体端电压阵列G，则：

其中，

i_nk为第n次充电的第k帧充电电流，

其中，D_n为第n次充电的数据矩阵，

U_nk为第n次充电的第k帧充电单体端电压向量，

U_nk＝[u_n1k…u_n2k…u_nmk]

其中，u_nmk为第n次充电的第k帧m#单体端压；

(2)计算获得平均端电压列向量：首先对U_nk向量按照正态分布的3σ定律排除异常数据，再用余下的有效数据的算术平均值获得平均电压V_nk,求出第n次充电平均电压列向量，则：

其中，v_nk为n次充电第k帧充电数据各单体的平均电压，

计算获得第n次充电的端电压压差矩列ΔV_n,ΔV_n＝U_n-V_n，令

为第n次充电且第m串单体端电压压差列向量，则有：

其中，

为第n次充电且第m单体的第k帧端电压压差值；

(3)计算获得第n次充电各单体的平均压差向量M_n：

M_n＝[m_n1…m_n2…m_nm]

其中，m_nm为第n次充电第m串电芯的平均压差，

d为第n次充电获得数据帧数；

(4)通过M_n获得该电池Pack历次充电的单体压差矩阵M：

(5)排除因每次充电电流不一致造成的干扰，采用M矩阵除以历次充电平均电流矩阵的方法予以解决，得到新的矩阵M’：

M’＝M/J

(6)在得到矩阵后，将按列进行拆分，获得各个单体的历次充电压差电压向量ΔV’_m，m为单体编号；

(7)对向量ΔV’_m采用最小二乘法进行一次拟合，得到各单体拟合直线的斜率k_m和截距b_m。

本发明与现有技术相比，具有有益效果：

对电池采用单体电压差并结合数学矩阵进行数据的分析，使得对单体电压差的电池内部状态分析更加准确且具有理论性，能够很好的得到电池的内部状态；对电池进行多次循环充电，在大数据的基础上对电池的单体电压差进行分析，使得数据样本增多，减小了单次检测时带来的误差，使得对于电池健康状态的检测更加准确，且基于大数据的充电时的电压差，覆盖到每个电池，可以对电池组成的电池组进行综合分析，提高了对电池健康状态分析的效率；基于大数据的检测，标准具有合理性，照顾到电池每次充电时的状态，更利于综合判断；在大数据与矩阵的基础上，采用最小二乘法进行数据分析，使得电池健康状态的分析具有一定的理论基础。

附图说明

图1为本发明的流程示意图。

具体实施方式

为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施例和附图，进一步阐述本发明，但下述实施例仅仅为本发明的优选实施例，并非全部。基于实施方式中的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得其他实施例，都属于本发明的具体实施例。

具体实施例：

一种基于单体压差的大数据电池健康诊断方法，包括如下步骤：

步骤一:获得指定车辆历次充电时的采样数据，采样数据包括充电电流和各单体端电压，经数据处理后得到充电电流矩阵J,单体端电压阵列G，则:

I_n为n次充电的充电电流向量，

其中，

i_nk为第n次充电的第k帧充电电流,

D_n为第n次充电的数据矩阵，

其中，

U_nk为第n次充电的第k帧充电单体端电压向量，

其中，U_nk＝[u_n1k…u_n2k…u_nmk]，u_nmk为第n次充电的第k帧m#单体端压；

步骤二：计算获得平均端电压列向量。首先对U_nk向量按照正态分布的3σ定律排除异常数据，再用余下的有效数据的算术平均值获得平均电压V_nk,求出第n次充电平均电压列向量：

v_nk为n次充电第k帧充电数据各单体的平均电压，

其中，

步骤三：计算获得第n次充电的端电压压差矩列ΔV_n,ΔV_n＝U_n-V_n，令

为第n次充电且第m串单体端电压压差列向量，则有：

其中，

为第n次充电且第m单体的第k帧端电压压差值；

步骤四：计算获得第n次充电各单体的平均压差向量M_n：

M_n＝[m_n1…m_n2…m_nm]，m_nm为第n次充电第m串电芯的平均压差，

其中，

d为第n次充电获得数据帧数；

步骤五：通过M_n获得该电池Pack历次充电的单体压差矩阵M：

步骤六：排除因每次充电电流不一致造成的干扰，采用M矩阵除以历次充电平均电流矩阵的方法予以解决，得到新的矩阵M，：

M’＝M/J

步骤七：在得到矩阵后，将按列进行拆分，获得各个单体的历次充电压差电压向量ΔV’_m，m为单体编号。

步骤八：对向量ΔV’_m采用最小二乘法进行一次拟合，得到各单体拟合直线的斜率k_m和截距b_m。

以上对本发明及其实施方式进行了描述，这种描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。

Claims (1)

1.一种基于单体压差的大数据电池健康诊断方法，其特征在于：包括如下步骤：

(1)获得指定车辆历次充电时的采样数据：采样数据包括充电电流和各单体端电压，经数据处理后得到充电电流矩阵J和单体端电压阵列G，则：

其中，

i_nk为第n次充电的第k帧充电电流，

其中，D_n为第n次充电的数据矩阵，

U_nk为第n次充电的第k帧充电单体端电压向量，

U_nk＝[u_n1k...u_n2k...u_nmk]

其中，u_nmk为第n次充电的第k帧第m的单体端压；

(2)计算获得平均端电压列向量：首先对U_nk向量按照正态分布的3σ定律排除异常数据，再用余下的有效数据的算术平均值获得平均电压V_nk,求出第n次充电平均电压列向量，则：

其中，v_nk为n次充电第k帧充电数据各单体的平均电压，

计算获得第n次充电的端电压压差矩列ΔV_n,ΔV_n＝U_n-V_n，令ΔV_n ^m为第n次充电且第m串单体端电压压差列向量，则有：

其中，

为第n次充电且第m单体的第k帧端电压压差值；

(3)计算获得第n次充电各单体的平均压差向量M_n：

M_n＝[m_n1…m_n2…m_nm]

其中，m_nm为第n次充电第m串电芯的平均压差，

d为第n次充电获得数据帧数；

(4)通过M_n获得该电池历次充电的单体压差矩阵M：

(5)排除因每次充电电流不一致造成的干扰，采用M矩阵除以历次充电平均电流矩阵的方法予以解决，得到新的矩阵M’：

M’＝M/J

(6)在得到矩阵后，将按列进行拆分，获得各个单体的历次充电压差电压向量ΔV’_m，m为单体编号；

(7)对向量ΔV’_m采用最小二乘法进行一次拟合，得到各单体拟合直线的斜率k_m和截距b_m。

Images