CN114509690A - 一种基于pca分解的锂电芯充放电异常检测方法及系统 - Google Patents
一种基于pca分解的锂电芯充放电异常检测方法及系统 Download PDFInfo
- Publication number
- CN114509690A CN114509690A CN202210407629.2A CN202210407629A CN114509690A CN 114509690 A CN114509690 A CN 114509690A CN 202210407629 A CN202210407629 A CN 202210407629A CN 114509690 A CN114509690 A CN 114509690A
- Authority
- CN
- China
- Prior art keywords
- lithium battery
- battery cell
- matrix
- discharging
- value
- 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
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 94
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 94
- 238000001514 detection method Methods 0.000 title claims abstract description 36
- 238000007599 discharging Methods 0.000 title claims abstract description 26
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 24
- 238000000513 principal component analysis Methods 0.000 title description 16
- 239000011159 matrix material Substances 0.000 claims abstract description 70
- 230000002159 abnormal effect Effects 0.000 claims abstract description 44
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 239000013598 vector Substances 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims description 50
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 9
- 239000000126 substance Substances 0.000 claims description 6
- 230000005856 abnormality Effects 0.000 abstract description 17
- 230000000284 resting effect Effects 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 238000007619 statistical method Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 102000002274 Matrix Metalloproteinases Human genes 0.000 description 1
- 108010000684 Matrix Metalloproteinases Proteins 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000012360 testing method 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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
-
- 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)
- Secondary Cells (AREA)
Abstract
本发明涉及锂电芯异常检测技术领域，具体地说，涉及一种基于PCA分解的锂电芯充放电异常检测方法及系统。其包括如下步骤：步骤S1、对于m个锂电芯，采集每个锂电芯的n个相应特征，进而构建初始特征矩阵；步骤S2、对初始特征矩阵进行预处理，进而获取处理后特征矩阵；步骤S3、构建处理后特征矩阵的协方差矩阵C并获取协方差矩阵C的所有特征值和对应的特征向量；步骤S4、计算每个锂电芯的异常分；步骤S5、设置阈值a，并在任一锂电芯的异常分超过a时将其判定为异常锂电芯。相较于现有异常检测方法，本发明中的方法，能够具备较佳的通用性，且能够较佳地实现对由多指标组合形成的异常的检测和判定。
Description
技术领域
本发明涉及锂电芯异常检测技术领域，具体地说，涉及一种基于PCA分解的锂电芯充放电异常检测方法及系统。
背景技术
锂电芯是锂电池的主要组成部分，由于工艺精度等问题，制造出来的锂电芯中会存在少量的异常电芯，异常电芯与正常电芯在充放电容量、电压变化等指标上会存在差异。由于异常电芯会呈现充放电容量低、使用过程中电池电压下降快等特点，故会对锂电池的整体性能造成影响；此外，异常电芯的安全系数相对较低，在使用过程中容易引发安全事故。因此有必要对锂电芯进行异常检测，避免异常电芯流入生产环境中；目前锂电芯的异常检测方法主要包括专家经验和统计分析两种方法。
基于专家经验的异常检测方法是指，基于专家的历史经验，为锂电芯不同的指标划定具体的阈值，当对应的指标超过阈值则判定为异常。常用的指标包括锂电芯满充时间、满放电时间、电压变化、电流变化及容量大小，由于不同批次的锂电芯在材料、工艺上均存在一定程度的差异，导致对应的异常阈值也会存在变化，导致该方法通用性较差，准确性较低。
基于统计分析的异常检测方法是指针对单指标进行的异常检测，其能够基于一元高斯分布构建某个需要检测的指标的概率密度函数，通过判定锂电芯相应指标的概率是否低于指定的阈值，实现锂电芯的异常检测。
现有的锂电芯的异常检测方法的缺陷主要体现在：
1、基于专家经验的异常检测方法中，无法精确的为不同批次的锂电芯设定对应的异常阈值，导致模型的通用性较差、准确性较低；
2、基于统计分析的异常检测方法中，只能较为有效地对基于单指标进行异常判定，在需要基于多个指标进行异常判定时，异常发现的能力较弱甚至失效。
发明内容
本发明提供了一种基于PCA分解的锂电芯充放电异常检测方法，其能够克服现有技术所存在通用性差及难以对多指标组合形成的异常进行检测的问题。
根据本发明的一种基于PCA分解的锂电芯充放电异常检测方法，其包括如下步骤：
步骤S1、对于m个锂电芯，采集每个锂电芯的n个相应特征，进而构建初始特征矩阵X，
，
表示第i个锂电芯的第j个特征的值；
步骤S2、对初始特征矩阵X进行预处理，进而获取处理后特征矩阵
；
步骤S3、构建处理后特征矩阵
的协方差矩阵C，
并获取协方差矩阵C的所有特征值
和对应的特征向量
；
步骤S4、计算每个锂电芯的异常分
，
其中，
为处理后特征矩阵
的第i列构成的矩阵，也即第i个锂电芯的特征序列矩阵；
步骤S5、设置阈值a，并在任一锂电芯的异常分
超过a时将其判定为异常锂电芯。
本发明中，通过步骤S1能够采集单个锂电芯的多项特征参数（即用于评估异常的指标），并将多个锂电芯中的每个的所述多项特征参数进行整合，故而能够较佳地实现基于多指标的对多个锂电芯的同时异常检测。通过步骤S2能够较佳地消除不同特征间的量纲的影响，故便于后续的计算。通过步骤S3能够基于PCA分解方法（Principal ComponentAnalysis）实现对特征矩阵
中的主要特征分量的提取，故而能够较佳地是实现对与异常相关的重要参数的获取。通过步骤S4，能够基于加权计算的思想，获取每个锂电芯的异常分，故使得所获取的异常分更加精确。通过步骤S5，能够较佳地实现对异常锂电芯的检出。
相较于现有异常检测方法，本发明中的方法，能够具备较佳的通用性，且能够较佳地实现对由多指标组合形成的异常的检测和判定。
作为优选，步骤S2中，对初始特征矩阵X的预处理包括依次对其进行的缺失值处理、脏数据处理、中心化处理和归一化处理。故而能够较佳地实现对缺失值、异常值的处理，并能够较佳地保证不同特征的方差变化尺度控制在相同的范围内，且能够消除不同量纲的影响。
作为优选，缺失值处理中，对于任一特征的缺失值采用该类特征的均值填充。故而能够较佳地基于同类特征的均值实现对缺失值的填充。
作为优选，脏数据处理中，对每个特征值均设置限定区间，在任一特征的值超出相应限定区间时则按缺失值处理对该值进行填充。故而能够较佳地实现异常值的检出及替换。
作为优选，中心化处理中，将经缺失值处理和脏数据处理后获取的预处理特征矩阵
中的每个元素均减去该元素所在列的均值，进而获取中心化特征矩阵
。故而能够较佳地去除不同量纲的影响。
作为优选，归一化处理中，将中心化特征矩阵
的每个元素均除以该元素所在列的标准差，进而获取处理后特征矩阵
。故而能够较佳地实现数据的标准化，消除不同特征对异常影响的差异。
作为优选，所述n个相应特征包括搁置电压、充电开始电压、充电时长、放电时长、充电容量、放电容量、静止电阻和充电电阻中的部分或全部。故而能够较佳地将异常评判的多种特征均进行考虑。
作为优选，步骤S5中，阈值a按照经验设置或通过计算获取。故而能够较佳地实现数据拐点的寻找，实现异常判定。
作为优选，阈值a通过计算获取时，获取全部锂电芯的异常分所构建的数列，计算该数据的均值
和标准差
，
。故而能够较佳地基于3
准则实现锂电芯的异常判定。
本发明还提供了一种基于PCA分解的锂电芯充放电异常检测系统，其用于实现任一上述的一种基于PCA分解的锂电芯充放电异常检测方法；其包括用于实现步骤S1的采集模块，用于实现步骤S2的预处理模块，以及用于实现步骤S3-S5的判定模块。故而能够较佳地实现锂电芯的自动异常检测。
附图说明
图1为实施例1中的锂电芯充放电异常检测方法的流程示意图；
图2为实施例1中的PCA分解方法的流程示意图。
具体实施方式
为进一步了解本发明的内容，结合附图和实施例对本发明作详细描述。应当理解的是，实施例仅仅是对本发明进行解释而并非限定。
实施例1
结合图1及2所示，本实施例提供了一种基于PCA分解的锂电芯充放电异常检测方法，其包括如下步骤：
步骤S1、对于m个锂电芯，采集每个锂电芯的n个相应特征，进而构建初始特征矩阵X，
，
表示第i个锂电芯的第j个特征的值；
步骤S2、对初始特征矩阵X进行预处理，进而获取处理后特征矩阵
；
步骤S3、构建处理后特征矩阵
的协方差矩阵C，
并获取协方差矩阵C的所有特征值
和对应的特征向量
；
步骤S4、计算每个锂电芯的异常分
，
其中，
为处理后特征矩阵
的第i列构成的矩阵，也即第i个锂电芯的特征序列矩阵；
步骤S5、设置阈值a，并在任一锂电芯的异常分
超过a时将其判定为异常锂电芯。
本实施例中，通过步骤S1能够采集单个锂电芯的多项特征参数（即用于评估异常的指标），并将多个锂电芯中的每个的所述多项特征参数进行整合，故而能够较佳地实现基于多指标的对多个锂电芯的同时异常检测。通过步骤S2能够较佳地消除不同特征间的量纲的影响，故便于后续的计算。通过步骤S3能够基于PCA分解方法（Principal ComponentAnalysis）实现对特征矩阵
中的主要特征分量的提取，故而能够较佳地是实现对与异常相关的重要参数的获取。通过步骤S4，能够基于加权计算的思想，获取每个锂电芯的异常分，故使得所获取的异常分更加精确。通过步骤S5，能够较佳地实现对异常锂电芯的检出。
相较于现有异常检测方法，本实施例中的方法，能够具备较佳的通用性，且能够较佳地实现对由多指标组合形成的异常的检测和判定。
本实施例的步骤S2中，对初始特征矩阵X的预处理包括依次对其进行的缺失值处理、脏数据处理、中心化处理和归一化处理。故而能够较佳地实现对缺失值、异常值的处理，并能够较佳地保证不同特征的方差变化尺度控制在相同的范围内，且能够消除不同量纲的影响。
本实施例的缺失值处理中，对于任一特征的缺失值采用该类特征的均值填充。故而能够较佳地基于同类特征的均值实现对缺失值的填充。
本实施例的脏数据处理中，对每个特征值均设置限定区间，在任一特征的值超出相应限定区间时则按缺失值处理对该值进行填充。故而能够较佳地实现异常值的检出及替换。
本实施例中，在设置限定区间时能够依据相应特征的变化范围进行设置，例如能够将与电阻有关的特征值的限定区间设置为0 - 50毫欧，能够将与电压有关的特征值的限定区间设置为0 - 10V。
本实施例的中心化处理中，将经缺失值处理和脏数据处理后获取的预处理特征矩阵
中的每个元素均减去该元素所在列的均值，进而获取中心化特征矩阵
。故而能够较佳地去除不同量纲的影响。
其中，
，
表示第i个锂电芯的第j个特征的值经缺失值处理和脏数据处理后的值。
其中，
，
表示第i个锂电芯的第j个特征的值经缺失值处理、脏数据处理和中心化处理后的值。
本实施例的归一化处理中，将中心化特征矩阵
的每个元素均除以该元素所在列的标准差，进而获取处理后特征矩阵
。故而能够较佳地实现数据的标准化，消除不同特征对异常影响的差异。
其中，
，
表示第i个锂电芯的第j个特征的值经缺失值处理、脏数据处理、中心化处理和归一化处理后的值。
本实施例的所述n个相应特征包括搁置电压、充电开始电压、充电时长、放电时长、充电容量、放电容量、静止电阻和充电电阻中的部分或全部。故而能够较佳地将异常评判的多种特征均进行考虑。
本实施例中，在构建初始特征矩阵X时，能够采用全部的上述特征。
本实施例的步骤S5中，阈值a按照经验设置或通过计算获取。故而能够较佳地实现数据拐点的寻找，实现异常判定。
本实施例的阈值a通过计算获取时，获取全部锂电芯的异常分所构建的数列，计算该数据的均值μ和标准差σ，a=μ+3σ。故而能够较佳地基于3σ准则实现锂电芯的异常判定。
此外，基于本实施例中的方法， 本实施中还提供了一种基于PCA分解的锂电芯充放电异常检测系统，其包括用于实现步骤S1的采集模块，用于实现步骤S2的预处理模块，以及用于实现步骤S3-S5的判定模块。故而能够较佳地实现锂电芯的自动异常检测。
为了进一步的对本案的技术方案进行进一步说明，本实施例给出了对一个已知样本集进行处理的一个具体应用。
在本实施例的具体应用中，会首先构建一个已知的样本集，按步骤S1-S4对该样本集进行处理，进而通过计算检测的准确率和召回率，实现对各个步骤中的具体参数的确定。
在构建样本集时，本实施例中能够选取700个正常锂电芯和300个异常锂电芯，进而构成了样本数为1000的样本集，也即步骤S1中的m为1000。
之后选取搁置电压、充电开始电压、充电时长、放电时长、充电容量、放电容量、静止电阻和充电电阻，共计8个特征作为初始特征矩阵X中构建的特征，也即步骤S1中的n=8。也即本实施例中的初始特征矩阵X中的数据在实验室条件下自上述1000个锂电芯中通过测量分别获取各自的搁置电压、充电开始电压、充电时长、放电时长、充电容量、放电容量、静止电阻和充电电阻。
之后，即可构建初始特征矩阵X，
，也即
。
其中，初始特征矩阵能够表示为：
其中，
、
、
、
、
、
、
和
为第一个锂电芯的搁置电压（V）、充电开始电压（V）、充电时长（s）、放电时长（s）、充电容量（Ah）、放电容量（Ah）、静止电阻（毫欧）和充电电阻（毫欧）的具体数值。
由于本实施例中所涉及的数据量较大，无法穷举，此处仅给出部分数据进行示意。初始特征矩阵X的前3行见于下表：
| 99.00 | 3.74 | 2769.00 | 629.00 | 7.61 | 3.50 | 7.01 | 9.71 |
| 3.67 | 3.80 | 1286.00 | 101.00 | 3.45 | 0.56 | 9.88 | 13.01 |
| 3.52 | 3.62 | 4871.00 | 545.00 | 13.44 | 3.03 | 7.36 | 9.47 |
在完成初始特征矩阵X的构建后，会对其进行预处理，进而获取处理后特征矩阵
。为了获取处理后特征矩阵
，本实施例中会依次对初始特征矩阵X进行缺失值处理、脏数据处理、中心化处理和归一化处理。
在缺失值处理中，在某一项数据缺失时，采用该列的均值填充该缺失的数据。上表中，可以看出，并无缺失数据，故无需进行处理。
在脏数据处理中，需要对明显不符合逻辑的数据进行处理，比如负值数值、超出设定区间的数据等。本实施例中，设置与电压相关的数据的取值区间为0 - 10V，也即初始特征矩阵X中，与搁置电压（V）和充电开始电压（V）对应的数据超出该区间后，则判定为脏数据；本实施例中，设置与电阻相关的数据的取值区间为0 - 50毫欧，也即初始特征矩阵X中，与静止电阻（毫欧）和充电电阻（毫欧）对应的数据超出该区间后，则判定为脏数据；本实施例中，设置与容量和时间相关的数据的取值区间为不小于0，也即初始特征矩阵X中，与充电时长（s）、放电时长（s）、充电容量（Ah）和放电容量（Ah）对应的数据为负数时，则判定为脏数据。
从上表可以明显看出，
为明显的脏数据。故对其处理按照缺失值进行处理，及将该数据替换为该列的均值数值。
之后经中心化处理和和归一化处理后，得到处理后特征矩阵
。处理后特征矩阵
的前3行见于下表：
| 0.00 | -0.43 | 0.30 | -0.02 | 0.30 | -0.02 | -0.95 | -0.50 |
| -0.09 | 0.18 | -0.75 | -1.51 | -0.77 | -1.51 | 0.66 | 1.13 |
| -1.47 | -1.61 | 1.78 | -0.26 | 1.79 | -0.26 | -0.75 | -0.61 |
之后获取处理后特征矩阵
的协方差矩阵C，
，其中m=8。最终的协方差矩阵C见于下表：
| 85.14 | 83.29 | -75.88 | 4.10 | -75.69 | 4.10 | 41.43 | 12.60 |
| 83.29 | 85.14 | -77.04 | -6.49 | -76.91 | -6.49 | 51.09 | 24.53 |
| -75.88 | -77.04 | 85.14 | 19.25 | 85.14 | 19.25 | -43.87 | -17.30 |
| 4.10 | -6.49 | 19.25 | 85.14 | 19.54 | 85.14 | -42.11 | -46.15 |
| -75.69 | -76.91 | 85.14 | 19.54 | 85.14 | 19.53 | -43.95 | -17.48 |
| 4.10 | -6.49 | 19.25 | 85.14 | 19.53 | 85.14 | -42.12 | -46.16 |
| 41.43 | 51.09 | -43.87 | -42.11 | -43.95 | -42.12 | 85.14 | 72.15 |
| 12.60 | 24.53 | -17.30 | -46.15 | -17.48 | -46.16 | 72.15 | 85.14 |
之后获取该协方差矩阵C的所有特征值和所有特征向量，可以知晓的是协方差矩阵C为8*8矩阵，故其具备8个特征值和8个对应的特征向量。
本实施例中的特征值
见于下表：
| 51.85 | 38.12 | 22.41 | 8.30 | 7.00 | 2.43 | 0.06 | 0.02 |
本实施例中，与特征值
对应的特征向量
见于下表：
| 0.39 | 0.42 | -0.43 | -0.21 | -0.43 | -0.21 | 0.38 | 0.26 |
| 0.33 | 0.25 | -0.20 | 0.52 | -0.20 | 0.52 | -0.23 | -0.39 |
| 0.03 | 0.07 | 0.24 | 0.39 | 0.24 | 0.39 | 0.47 | 0.59 |
| -0.45 | -0.41 | -0.45 | 0.17 | -0.46 | 0.16 | -0.17 | 0.36 |
| 0.22 | 0.27 | 0.10 | -0.06 | 0.10 | -0.06 | -0.74 | 0.54 |
| 0.70 | -0.71 | -0.01 | -0.02 | 0.01 | -0.02 | 0.00 | 0.08 |
| -0.01 | 0.00 | -0.71 | -0.02 | 0.70 | 0.02 | 0.00 | 0.00 |
| 0.00 | 0.00 | 0.02 | -0.71 | -0.02 | 0.71 | 0.00 | 0.00 |
之后能够对每个锂电芯的异常分Si进行计算，本实施例中前10个样本的异常分见于下表：
| 样本ID | 异常分 |
| 1 | 1.59 |
| 2 | 139.97 |
| 3 | 56.17 |
| 4 | 54.41 |
| 5 | 46.93 |
| 6 | 8.01 |
| 7 | 328.55 |
| 8 | 5.97 |
| 9 | 143.83 |
| 10 | 125.24 |
之后能够基于3σ准则构建阈值a，本实施例中，均值μ≈74.01，标准差σ≈77.47，故阈值a≈306.41。也即对于异常分高于306.41的样本则判定为异常，在上表中，第7个样本的异常分为328.55，故该样本则为异常值。
在采用对1000个锂电芯构建的样本集对本实施例的方法进行测试时，进行如下定义：
准确率=预测异常且实际异常的电芯数量/预测异常电芯数量；
召回率=预测异常且实际异常的电芯数量/实际异常电芯数量。
本实施例中，通过测试，其准确率能够达到95%，召回率能够达到90%。故其确能较佳地满足锂电芯充放电异常检测的需求。
在实际检测时，依上述步骤检测即可。
以上示意性的对本发明及其实施方式进行了描述，该描述没有限制性，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。所以，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 (10)
1.一种基于PCA分解的锂电芯充放电异常检测方法，其包括如下步骤：
步骤S1、对于m个锂电芯，采集每个锂电芯的n个相应特征，进而构建初始特征矩阵X，
，
表示第i个锂电芯的第j个特征的值；
步骤S2、对初始特征矩阵X进行预处理，进而获取处理后特征矩阵
；
步骤S3、构建处理后特征矩阵
的协方差矩阵C，
并获取协方差矩阵C的所有特征值
和对应的特征向量
；
步骤S4、计算每个锂电芯的异常分
，
其中，
为处理后特征矩阵
的第i列构成的矩阵，也即第i个锂电芯的特征序列矩阵；
步骤S5、设置阈值a，并在任一锂电芯的异常分
超过a时将其判定为异常锂电芯。
2.根据权利要求1所述的一种基于PCA分解的锂电芯充放电异常检测方法，其特征在于：步骤S2中，对初始特征矩阵X的预处理包括依次对其进行的缺失值处理、脏数据处理、中心化处理和归一化处理。
3.根据权利要求2所述的一种基于PCA分解的锂电芯充放电异常检测方法，其特征在于：缺失值处理中，对于任一特征的缺失值采用该类特征的均值填充。
4.根据权利要求3所述的一种基于PCA分解的锂电芯充放电异常检测方法，其特征在于：脏数据处理中，对每个特征值均设置限定区间，在任一特征的值超出相应限定区间时则按缺失值处理对该值进行填充。
5.根据权利要求4所述的一种基于PCA分解的锂电芯充放电异常检测方法，其特征在于：中心化处理中，将经缺失值处理和脏数据处理后获取的预处理特征矩阵
中的每个元素均减去该元素所在列的均值，进而获取中心化特征矩阵
。
6.根据权利要求5所述的一种基于PCA分解的锂电芯充放电异常检测方法，其特征在于：归一化处理中，将中心化特征矩阵
的每个元素均除以该元素所在列的标准差，进而获取处理后特征矩阵
。
7.根据权利要求1所述的一种基于PCA分解的锂电芯充放电异常检测方法，其特征在于：所述n个相应特征包括搁置电压、充电开始电压、充电时长、放电时长、充电容量、放电容量、静止电阻和充电电阻中的部分或全部。
8.根据权利要求1所述的一种基于PCA分解的锂电芯充放电异常检测方法，其特征在于：步骤S5中，阈值a按照经验设置或通过计算获取。
9.根据权利要求8所述的一种基于PCA分解的锂电芯充放电异常检测方法，其特征在于：阈值a通过计算获取时，获取全部锂电芯的异常分所构建的数列，计算该数据的均值
和标准差
，
。
10.一种基于PCA分解的锂电芯充放电异常检测系统，其用于实现权利要求1-9中任一所述的一种基于PCA分解的锂电芯充放电异常检测方法；其包括用于实现步骤S1的采集模块，用于实现步骤S2的预处理模块，以及用于实现步骤S3-S5的判定模块。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210407629.2A CN114509690A (zh) | 2022-04-19 | 2022-04-19 | 一种基于pca分解的锂电芯充放电异常检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210407629.2A CN114509690A (zh) | 2022-04-19 | 2022-04-19 | 一种基于pca分解的锂电芯充放电异常检测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114509690A true CN114509690A (zh) | 2022-05-17 |
Family
ID=81555000
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210407629.2A Pending CN114509690A (zh) | 2022-04-19 | 2022-04-19 | 一种基于pca分解的锂电芯充放电异常检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114509690A (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160018472A1 (en) * | 2014-07-18 | 2016-01-21 | Samsung Electronics Co., Ltd. | Method and apparatus for estimating state of battery |
| CN108535656A (zh) * | 2018-03-22 | 2018-09-14 | 中北大学 | 基于pca-narx神经网络的锂离子电池剩余使用寿命预测方法和系统 |
| CN110058178A (zh) * | 2019-05-14 | 2019-07-26 | 郑州大学 | 一种锂电池健康状态检测方法和系统 |
| CN110502883A (zh) * | 2019-08-23 | 2019-11-26 | 四川长虹电器股份有限公司 | 一种基于pca的击键行为异常检测方法 |
| CN111103544A (zh) * | 2019-12-26 | 2020-05-05 | 江苏大学 | 基于长短时记忆lstm和粒子滤波pf的锂离子电池剩余使用寿命预测方法 |
| CN111929591A (zh) * | 2020-08-21 | 2020-11-13 | 彩虹无线（北京）新技术有限公司 | 故障电池检测方法、装置、设备及计算机存储介质 |
| CN112415402A (zh) * | 2021-01-25 | 2021-02-26 | 浙江纽联科技有限公司 | 锂电池容量估计、电芯异常预测的方法和系统 |
| CN112467822A (zh) * | 2020-10-15 | 2021-03-09 | 中船重工远舟（北京）科技有限公司 | 一种电池管理方法、装置以及系统 |
| CN112513883A (zh) * | 2020-02-28 | 2021-03-16 | 华为技术有限公司 | 异常检测方法和设备 |
| CN112798963A (zh) * | 2021-04-14 | 2021-05-14 | 杭州宇谷科技有限公司 | 基于时间序列的电池充电特性异常检测方法、装置及介质 |
-
2022
- 2022-04-19 CN CN202210407629.2A patent/CN114509690A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160018472A1 (en) * | 2014-07-18 | 2016-01-21 | Samsung Electronics Co., Ltd. | Method and apparatus for estimating state of battery |
| CN108535656A (zh) * | 2018-03-22 | 2018-09-14 | 中北大学 | 基于pca-narx神经网络的锂离子电池剩余使用寿命预测方法和系统 |
| CN110058178A (zh) * | 2019-05-14 | 2019-07-26 | 郑州大学 | 一种锂电池健康状态检测方法和系统 |
| CN110502883A (zh) * | 2019-08-23 | 2019-11-26 | 四川长虹电器股份有限公司 | 一种基于pca的击键行为异常检测方法 |
| CN111103544A (zh) * | 2019-12-26 | 2020-05-05 | 江苏大学 | 基于长短时记忆lstm和粒子滤波pf的锂离子电池剩余使用寿命预测方法 |
| CN112513883A (zh) * | 2020-02-28 | 2021-03-16 | 华为技术有限公司 | 异常检测方法和设备 |
| CN111929591A (zh) * | 2020-08-21 | 2020-11-13 | 彩虹无线（北京）新技术有限公司 | 故障电池检测方法、装置、设备及计算机存储介质 |
| CN112467822A (zh) * | 2020-10-15 | 2021-03-09 | 中船重工远舟（北京）科技有限公司 | 一种电池管理方法、装置以及系统 |
| CN112415402A (zh) * | 2021-01-25 | 2021-02-26 | 浙江纽联科技有限公司 | 锂电池容量估计、电芯异常预测的方法和系统 |
| CN112798963A (zh) * | 2021-04-14 | 2021-05-14 | 杭州宇谷科技有限公司 | 基于时间序列的电池充电特性异常检测方法、装置及介质 |
Non-Patent Citations (3)
| Title |
|---|
| 史永胜等: "基于多退化特征的锂离子电池剩余寿命预测", 《电源技术》 * |
| 孙道明等: "随机放电工况下锂离子电池容量预测方法", 《汽车工程》 * |
| 纪素娟: "基于主成分分析法的异常数据检测及其应用", 《教育教学论坛》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111707951B (zh) | 一种电池组一致性评估方法及系统 | |
| CN111090047B (zh) | 一种基于多模型融合的锂电池健康状态估计方法 | |
| CN112147512B (zh) | 一种锂离子电池短路与滥用故障的诊断及分离方法 | |
| 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 | |
| CN107885928B (zh) | 考虑测量误差的步进应力加速性能退化可靠性分析方法 | |
| CN112327192B (zh) | 一种基于曲线形态的电池容量跳水现象识别方法 | |
| CN114280479A (zh) | 一种基于电化学阻抗谱的退役电池快速分选方法 | |
| CN112287980B (zh) | 基于典型特征向量的动力电池筛选方法 | |
| CN109800446B (zh) | 一种锂离子电池放电过程电压不一致性估计方法及装置 | |
| CN113406524B (zh) | 一种动力电池系统的不一致性故障诊断方法及系统 | |
| CN112834221A (zh) | 一种基于eemd-mse和多尺度一维卷积神经网络轴承故障诊断方法 | |
| CN111308377A (zh) | 基于温度电压微分的电池健康状态检测方法及系统 | |
| CN115248393A (zh) | 电池一致性分选方法、装置、设备及存储介质 | |
| CN115327417A (zh) | 一种动力电池单体异常的预警方法、系统及电子设备 | |
| CN115267589A (zh) | 一种电动汽车电池故障多参数联合诊断方法 | |
| CN114545234A (zh) | 一种基于电池温度梯度变化监测电池状态的方法 | |
| CN115166555A (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 | |
| CN113820615B (zh) | 一种电池健康度检测方法与装置 | |
| CN114036647A (zh) | 一种基于实车数据的动力电池安全风险评估方法 | |
| CN114509690A (zh) | 一种基于pca分解的锂电芯充放电异常检测方法及系统 | |
| CN117031294A (zh) | 一种电池多故障检测方法、装置及存储介质 | |
| CN113960484B (zh) | 一种基于单体压差的大数据电池健康诊断方法 | |
| CN116819328A (zh) | 一种电动汽车动力电池故障诊断方法、系统、设备及介质 | |
| CN115018133A (zh) | 一种基于混沌理论和非线性系统的锂电池容量预测方法 | |
| CN111562503B (zh) | 一种锂离子电池充放电设备未做故障的分析处理方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| CB03 | Change of inventor or designer information |
Inventor after: Xiao Jie Inventor before: Li Chao Inventor before: Xiao Jie Inventor before: Ding Donghui Inventor before: Huang Jiaming |
|
| CB03 | Change of inventor or designer information | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220517 |
|
| RJ01 | Rejection of invention patent application after publication |