CN114035082A - 一种新能源车辆电池系统异常电芯快速诊断方法 - Google Patents
一种新能源车辆电池系统异常电芯快速诊断方法 Download PDFInfo
- Publication number
- CN114035082A CN114035082A CN202111506819.1A CN202111506819A CN114035082A CN 114035082 A CN114035082 A CN 114035082A CN 202111506819 A CN202111506819 A CN 202111506819A CN 114035082 A CN114035082 A CN 114035082A
- Authority
- CN
- China
- Prior art keywords
- uoc
- battery
- delta
- voltage
- capacity
- 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
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]
- G01R31/382—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]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
-
- 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)
- Secondary Cells (AREA)
Abstract
一种新能源车辆电池系统异常电芯快速诊断方法,包括:一、获取合适时间段的电池电压、电流数据;二、经过搭建电池模型、辨识算法,处理得到每个单体的开路电压并将其与最高单体电压处理得到的相应值做差值,计算得到每个单体的参数值ΔUoci,再对ΔUoci和容量Q简化、平滑处理得到ΔUoci ’和容量Q’;三、将ΔUoci ’对Q’进行积分得到每个单体电池的参数值ΔEi;四、根据ΔE值的大小判断电芯容量异常程度,同时对所有电芯的ΔE进行离散度分析。本发明可实现异常电芯的快速定位,相比压差判断方法更精准,相比容量估算方法计算量少,计算过程耗时短,适用于在线估算,通用性强;对于电池的全生命周期皆适用,不需随着电池衰老调整阈值。
Description
技术领域
本发明涉及新能源电池应用技术领域,更为具体地说是指一种新能源车辆电池系统异常电芯快速诊断方法。
背景技术
新能源汽车电池系统由上百颗电芯通过串并联等方式组成,经过长年累月的使用后,常会出现可用容量不一致,即各个电芯因所处环境及出厂时的差异后期放大等的影响,导致各个电芯的容量衰减速率出现差异,进而导致每个电芯实际的可用容量出现差异。当差异达到一定程度时,会使车辆电池系统表现出明显的性能下降,而当差异是由电芯质量问题导致引起时,会对车辆电池系统的安全使用带来一定的安全隐患。因此,及时发现电池系统中的容量衰减过快的电芯并及时更换,是保障电池系统使用性能及安全性能的必要保障。
目前,新能源车辆电池系统中异常电芯的诊断,大多数采用电压异常方法来判断,通过精确设置一些判断条件或阈值,但都是依赖电压。然而,电压判断无法准确反馈电压平台较平区域或电压平台较平电池体系电池的异常,在异常程度较小的情况下,易出现误判、漏判等现象。部分采用为每个单体电芯计算可用容量,通过判断每个电芯可用容量的大小分辨出异常电芯及所在位置,但该方法因需要计算每个单体的容量而导致辨识过程时间较长,对计算单元的算力要求较高,占用计算单元的时间长;也有部分采用内阻值异常来判断,内阻的计算依然依赖电压,当内阻计算采用在线计算时,内阻的计算引入的误差容易影响判断结果;当内阻计算采用离线测试时,无法起到在线监控的作用,还耗费大量测试时间和人力等。还有部分采用最高单体电压编号与最低单体电压编号是否有重复编号来识别异常电芯,然而该方法只能识别出问题异常严重的电芯,无法覆盖到所有异常电芯的识别。为此,我们提供一种新能源车辆电池系统异常电芯快速诊断方法。
发明内容
本发明提供一种新能源车辆电池系统异常电芯快速诊断方法,以克服现有异常电芯识别采用压差方法无法定量判断出异常程度大小,易出现误判、漏判等现象;采用容量评估算力要求高、计算时间长等缺点。
本发明采用如下技术方案:
一种新能源车辆电池系统异常电芯快速诊断方法,包括如下步骤:一、获取合适时间段的电池电压、电流数据;二、经过搭建电池模型、辨识算法,处理得到每个单体的开路电压并将与最高单体电压处理出来的相应值做差值,计算得到每个单体的参数值ΔUoci,再对ΔUoci和容量Q进行简化、平滑处理,得到ΔUoci ’和容量Q’;三、进一步将ΔUoci ’对Q’进行积分得到每个单体电池的参数值ΔEi;四、根据ΔE值的大小判断电芯容量异常程度,同时对所有电芯的ΔE进行离散度分析。
一较佳实施例中,上述步骤一的具体做法如下:(1)搜索电池系统使用当天SOC最小值,当前时刻记为t1;(2)从t1时刻往前搜索最近的满电时刻,记作时刻t2;(3)对t2-t1时刻内的最高单体电压Vmax、每个单体电压Vi、电流数据进行收集,将电流通过安时积分计算得到t2-t1时间段内的总放电容量Q;其中下标i代表单体编号。
上述满电的判断条件为SOC≥99%,或者依据最高单体电压超过一定值来判断。
一较佳实施例中,所述步骤二的电池模型为等效电路模型、电化学模型、分数阶模型中的任意一种。
一较佳实施例中,所述步骤二的辨识算法为所有能辨识得到开路电压的算法,具体为最小二乘辨识算法、卡尔曼滤波算法、H无穷大算法、智能机器学习优化算法中的任意一种。
一较佳实施例中,所述步骤二中每个单体的参数值ΔUoci ’获得的具体方法如下:(1)搭建电池模型,将步骤一(3)中获取的数据,通过辨识算法获得t2-t1时间段内每个电压数据对应的开路电压OCV数据,其中最高单体电压对应的OCV记作Uocmax,每个单体电压对应的OCV记作Uoci;(2)最高单体对应的Uocmax减去每个单体的Uoci得到每个单体对应的ΔUoci;(3)通过简化模块对ΔUoci和容量Q进行简化,即缩小两个参数数组矩阵的长度,得到ΔUoci ’和容量Q’;(4)对简化后的ΔUoci ’进行平滑处理。
一较佳实施例中,所述步骤二中的得到每个单体对应的ΔUoci后,先对ΔUoci平滑处理,再通过简化模块对平滑处理后的ΔUoci和容量Q进行简化,得到ΔUoci ’和容量Q’。
一较佳实施例中,所述步骤四的具体方法如下:(1)判断ΔEi的值是否大于阈值a1,如果大于a1,则记为异常电芯;如果小于a1,则记为正常电芯;(2)计算所有单体电芯的离散度,判断每个单体电芯离散度是否大于阈值a2,如果大于a2,则记为异常电芯;如果小于a2,则记为正常电芯。
一较佳实施例中,所述电池为磷酸铁锂电池,所述a1由以下公式计算:a1=(高电压平台电压值-低电压平台电压值)*b1*额定容量,其中,b1为可允许的容量异常程度,即允许异常带来的容量差异与额定容量的比值。
由上述对本发明的描述可知,和现有技术相比,本发明具有如下优点:
本发明利用电池电压、电流数据,通过电池模型实现参数转化,并通过一系列数据处理最终得到一个参数ΔEi来判断是否存在异常电芯,可实现异常电芯的快速定位,相比压差判断方法更精准,相比容量估算方法计算量少,实现了计算过程耗时短,适用于在线估算,通用性强。对于电池的全生命周期皆适用,不需随着电池衰老调整阈值。
附图说明
图1为本发明实施例一的流程图。
具体实施方式
下面参照附图说明本发明的具体实施方式。为了全面理解本发明,下面描述到许多细节,但对于本领域技术人员来说,无需这些细节也可实现本发明。对于公知的组件、方法及过程,以下不再详细描述。
实施例一
一种新能源车辆电池系统异常电芯快速诊断方法,参照图1,包括如下步骤:
步骤一、搜索电池系统使用当天SOC最小值,当前时刻记为t1。
步骤二、从t1时刻往前搜索最近的满电时刻,记作时刻t2;其中,满电的判断必要条件为SOC≥99%。
步骤三、对t2-t1时刻内的最高单体电压Vmax、每个单体电压Vi、电流数据进行收集,将电流通过安时积分计算得到t2-t1时间段内的总放电容量Q;其中下标i代表单体编号。
步骤四、搭建电池模型,将步骤三获取的数据,通过辨识算法获得t2-t1时间段内每个电压数据对应的开路电压OCV数据,其中最高单体电压对应的OCV记作Uocmax,每个单体电压对应的OCV记作Uoci。
步骤五、最高单体对应的Uocmax减去每个单体的Uoci得到每个单体对应的ΔUoci;
步骤六、通过简化模块对ΔUoci和容量Q进行简化,选取Q数组中间隔1Ah容量对应的数据进行保留,其他舍弃;将保留数据的位置编号对应的ΔUoci进行保留,其他舍弃,得到删减后的简化数组ΔUoci ’和容量Q’;
步骤七、将步骤六得到的简化后的ΔUoci ’进行平滑处理;
步骤八、采用公式(1)计算得到ΔEi
步骤九、判断ΔEi的值是否大于阈值a1,如果大于a1,则记为异常电芯;如果小于a1,则记为正常电芯;
其中: 本实施例的电池为磷酸铁锂电池,a1=(高电压平台电压值-低电压平台电压值)*10%*额定容量;代表筛选出容量相比最高容量单体低10%额定容量的异常电芯。
步骤十、计算所有单体电芯的离散度;判断每个单体电芯离散度是否大于阈值a2,如果大于a2,则记为异常电芯;如果小于a2,则记为正常电芯。
上述步骤二的满电状态还可以依据最高单体电压超过一定值来判断。
上述步骤四的电池模型为等效电路模型、电化学模型、分数阶模型中的任意一种。
上述步骤四的辨识算法为所有能辨识得到开路电压的算法,具体为最小二乘辨识算法、卡尔曼滤波算法、H无穷大算法、智能机器学习优化算法中的任意一种。
实施例二
本实施例大部分与实施例一相同,其不同之处在于:
步骤五中的得到每个单体对应的ΔUoci后,可先执行步骤七,即对ΔUoci平滑处理;再执行步骤六,即通过简化模块对平滑处理后的ΔUoci和容量Q进行简化,得到ΔUoci ’和容量Q’。
上述仅为本发明的具体实施方式,但本发明的设计构思并不局限于此,凡利用此构思对本发明进行非实质性的改动,均应属于侵犯本发明保护范围的行为。
Claims (10)
1.一种新能源车辆电池系统异常电芯快速诊断方法,其特征在于,包括如下步骤:一、获取合适时间段的电池电压、电流数据;二、经过搭建电池模型、辨识算法,处理得到每个单体的开路电压并将与最高单体电压处理出来的相应值做差值,计算得到每个单体的参数值ΔUoci,再对ΔUoci和容量Q进行简化、平滑处理,得到ΔUoci ’和容量Q’;三、进一步将ΔUoci ’对Q’进行积分得到每个单体电池的参数值ΔEi;四、根据ΔE值的大小判断电芯容量异常程度,同时对所有电芯的ΔE进行离散度分析。
2.如权利要求1所述的一种新能源车辆电池系统异常电芯快速诊断方法,其特征在于,所述步骤一的具体做法如下:(1)搜索电池系统使用当天SOC最小值,当前时刻记为t1;(2)从t1时刻往前搜索最近的满电时刻,记作时刻t2;(3)对t2-t1时刻内的最高单体电压Vmax、每个单体电压Vi、电流数据进行收集,将电流通过安时积分计算得到t2-t1时间段内的总放电容量Q;其中下标i代表单体编号。
3.如权利要求2所述的一种新能源车辆电池系统异常电芯快速诊断方法,其特征在于:所述满电的判断条件为SOC≥99%,或者依据最高单体电压超过一定值来判断。
4.如权利要求2所述的一种新能源车辆电池系统异常电芯快速诊断方法,其特征在于:所述步骤二的电池模型为等效电路模型、电化学模型、分数阶模型中的任意一种。
5.如权利要求2所述的一种新能源车辆电池系统异常电芯快速诊断方法,其特征在于:所述步骤二的辨识算法为所有能辨识得到开路电压的算法,具体为最小二乘辨识算法、卡尔曼滤波算法、H无穷大算法、智能机器学习优化算法中的任意一种。
6.如权利要求2所述的一种新能源车辆电池系统异常电芯快速诊断方法,其特征在于,所述步骤二中每个单体的参数值ΔUoci ’获得的具体方法如下:(1)搭建电池模型,将步骤一(3)中获取的数据,通过辨识算法获得t2-t1时间段内每个电压数据对应的开路电压OCV数据,其中最高单体电压对应的OCV记作Uocmax,每个单体电压对应的OCV记作Uoci;(2)最高单体对应的Uocmax减去每个单体的Uoci得到每个单体对应的ΔUoci;(3)通过简化模块对ΔUoci和容量Q进行简化,即缩小两个参数数组矩阵的长度,得到ΔUoci ’和容量Q’;(4)对简化后的ΔUoci ’进行平滑处理。
7.如权利要求6所述的一种新能源车辆电池系统异常电芯快速诊断方法,其特征在于:所述步骤二中的得到每个单体对应的ΔUoci后,先对ΔUoci平滑处理,再通过简化模块对平滑处理后的ΔUoci和容量Q进行简化,得到ΔUoci ’和容量Q’。
9.如权利要求8所述的一种新能源车辆电池系统异常电芯快速诊断方法,其特征在于,所述步骤四的具体方法如下:(1)判断ΔEi的值是否大于阈值a1,如果大于a1,则记为异常电芯;如果小于a1,则记为正常电芯;(2)计算所有单体电芯的离散度,判断每个单体电芯离散度是否大于阈值a2,如果大于a2,则记为异常电芯;如果小于a2,则记为正常电芯。
10.如权利要求8所述的一种新能源车辆电池系统异常电芯快速诊断方法,其特征在于:所述电池为磷酸铁锂电池,所述a1由以下公式计算:a1=(高电压平台电压值-低电压平台电压值)*b1*额定容量,其中,b1为可允许的容量异常程度,即允许异常带来的容量差异与额定容量的比值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111506819.1A CN114035082B (zh) | 2021-12-10 | 2021-12-10 | 一种新能源车辆电池系统异常电芯快速诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111506819.1A CN114035082B (zh) | 2021-12-10 | 2021-12-10 | 一种新能源车辆电池系统异常电芯快速诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114035082A true CN114035082A (zh) | 2022-02-11 |
CN114035082B CN114035082B (zh) | 2023-06-20 |
Family
ID=80146640
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111506819.1A Active CN114035082B (zh) | 2021-12-10 | 2021-12-10 | 一种新能源车辆电池系统异常电芯快速诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114035082B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015188610A1 (zh) * | 2014-06-11 | 2015-12-17 | 北京交通大学 | 电池荷电状态估算方法和装置 |
CN109298340A (zh) * | 2018-10-19 | 2019-02-01 | 同济大学 | 一种基于可变时间尺度的电池容量在线估计方法 |
CN110888064A (zh) * | 2019-12-20 | 2020-03-17 | 厦门金龙联合汽车工业有限公司 | 一种评估电池系统电芯容量分布区间的算法 |
CN111366855A (zh) * | 2020-03-19 | 2020-07-03 | 北京理工大学 | 一种电池等效电路模型抗扰动参数化方法 |
CN111376793A (zh) * | 2018-12-29 | 2020-07-07 | 观致汽车有限公司 | 用于管理电池的方法、设备和计算机可读介质 |
CN111537906A (zh) * | 2020-05-29 | 2020-08-14 | 厦门金龙联合汽车工业有限公司 | 一种评估磷酸铁锂电池系统多项健康参数的方法 |
CN111965547A (zh) * | 2020-09-27 | 2020-11-20 | 哈尔滨工业大学(威海) | 一种基于参数辨识法的电池系统传感器故障诊断方法 |
US10969436B1 (en) * | 2019-10-25 | 2021-04-06 | The Florida International University Board Of Trustees | Systems and methods for forecasting battery state of charge |
WO2021217698A1 (zh) * | 2020-04-29 | 2021-11-04 | 上海理工大学 | 一种区分电池微短路和小容量故障的诊断方法 |
-
2021
- 2021-12-10 CN CN202111506819.1A patent/CN114035082B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015188610A1 (zh) * | 2014-06-11 | 2015-12-17 | 北京交通大学 | 电池荷电状态估算方法和装置 |
CN109298340A (zh) * | 2018-10-19 | 2019-02-01 | 同济大学 | 一种基于可变时间尺度的电池容量在线估计方法 |
CN111376793A (zh) * | 2018-12-29 | 2020-07-07 | 观致汽车有限公司 | 用于管理电池的方法、设备和计算机可读介质 |
US10969436B1 (en) * | 2019-10-25 | 2021-04-06 | The Florida International University Board Of Trustees | Systems and methods for forecasting battery state of charge |
CN110888064A (zh) * | 2019-12-20 | 2020-03-17 | 厦门金龙联合汽车工业有限公司 | 一种评估电池系统电芯容量分布区间的算法 |
CN111366855A (zh) * | 2020-03-19 | 2020-07-03 | 北京理工大学 | 一种电池等效电路模型抗扰动参数化方法 |
WO2021217698A1 (zh) * | 2020-04-29 | 2021-11-04 | 上海理工大学 | 一种区分电池微短路和小容量故障的诊断方法 |
CN111537906A (zh) * | 2020-05-29 | 2020-08-14 | 厦门金龙联合汽车工业有限公司 | 一种评估磷酸铁锂电池系统多项健康参数的方法 |
CN111965547A (zh) * | 2020-09-27 | 2020-11-20 | 哈尔滨工业大学(威海) | 一种基于参数辨识法的电池系统传感器故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
丁镇涛: "基于安时积分和无迹卡尔曼滤波的锂离子电池SOC估算方法研究", 《中国机械工程》, vol. 31, no. 15, pages 1823 - 1830 * |
Also Published As
Publication number | Publication date |
---|---|
CN114035082B (zh) | 2023-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110794305B (zh) | 一种动力电池故障诊断方法和系统 | |
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 | |
CN101622547B (zh) | 用于检测蓄电装置的异常的装置和方法 | |
CN109406929B (zh) | 变电站蓄电池组内部开路在线监测报警装置 | |
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 | |
CN113696786A (zh) | 电池均衡方法及系统 | |
CN115166555B (zh) | 一种电池大数据平台电池模块内阻异常识别方法及系统 | |
CN112881928A (zh) | 一种电池单体一致性的筛选方法 | |
CN110927609B (zh) | 梯次利用电池储能系统的衰退评估方法及装置 | |
CN115166566A (zh) | 一种在线识别电池自放电率异常的方法 | |
CN114200322A (zh) | 一种锂离子电池析锂检测方法 | |
CN110865307B (zh) | 一种电池模组余能检测方法 | |
CN113655398B (zh) | 预估锂电池循环跳水的方法 | |
CN108027406A (zh) | 用于监控电池组的方法 | |
CN114035082B (zh) | 一种新能源车辆电池系统异常电芯快速诊断方法 | |
CN115469226B (zh) | 一种基于运行大数据的电动汽车动力电池实时安全预警方法 | |
CN116256642A (zh) | 一种适用于稀疏数据的磷酸铁锂电池故障诊断方法 | |
CN116203424A (zh) | 储能系统电池单体故障识别方法和储能系统 | |
CN115166564A (zh) | 一种在线量化评估磷酸铁锂电池微短路程度的方法 | |
CN114706000A (zh) | 一种电池包动态测试评估方法及系统 | |
CN115156109A (zh) | 一种钠离子电芯一致性筛选方法及钠离子电池组 | |
CN114695990A (zh) | 一种电池系统的容量均衡判断方法、装置、设备及介质 | |
CN114167190B (zh) | 一种混动车辆电池微短路识别方法 | |
CN114062943B (zh) | 一种锂离子电池系统极化异常预警方法及系统 | |
CN118381163B (zh) | 一种储能柜电量异常分级故障检测方法及系统 |
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 |