CN114942386B - 一种动力电池故障在线检测方法及系统 - Google Patents

一种动力电池故障在线检测方法及系统 Download PDF

Info

Publication number
CN114942386B
CN114942386B CN202210854833.9A CN202210854833A CN114942386B CN 114942386 B CN114942386 B CN 114942386B CN 202210854833 A CN202210854833 A CN 202210854833A CN 114942386 B CN114942386 B CN 114942386B
Authority
CN
China
Prior art keywords
data
battery
judgment result
score
monomer
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
Application number
CN202210854833.9A
Other languages
English (en)
Other versions
CN114942386A (zh
Inventor
武明虎
孙萌
张凡
郭乐铭
邢子轩
杜万银
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hubei University of Technology
Original Assignee
Hubei University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hubei University of Technology filed Critical Hubei University of Technology
Priority to CN202210854833.9A priority Critical patent/CN114942386B/zh
Publication of CN114942386A publication Critical patent/CN114942386A/zh
Application granted granted Critical
Publication of CN114942386B publication Critical patent/CN114942386B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • 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
    • 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)
  • Tests Of Electric Status Of Batteries (AREA)

Abstract

本发明属于电池系统的故障检测领域，具体涉及一种动力电池故障在线检测方法及系统。具体包括：设置滑动窗口长度并获取电池实时数据；确定电池使用状态；提取电池放电电压数据进行数据清洗；进行经验模态分解并提取分解后的残差值；计算香农熵权重法下各单体得分；确定各电池单体的得分结果的改进Z‑分数；判断是否发生故障；重新采集下一滑动窗口的数据。本发明一方面可基于电池系统的实时电压数据进行在线故障检测和异常单体定位及预警；另一方面计算较为简单、可在线应用、适合工程应用。

Description

一种动力电池故障在线检测方法及系统
技术领域
本发明属于电池系统的故障检测领域，具体涉及一种动力电池故障在线检测方法及系统。
背景技术
作为能量来源，车载动力电池系统是新能源电动汽车的核心关键部件之一，也是限制其发展的技术瓶颈。锂离子因具有能量密度高、自放电率低以及循环寿命长等优势，己成为电动汽车的首选电池类型。
电动汽车运行过程中会出现因故障而引发的事故，因此提出一种电池系统故障检测和预警方法十分必要。传统的故障检测方法很难在电池的异常特征不明显时进行早期故障检测，且现有的许多先进故障诊断算法大多数都是基于实验室中静态电池实验进行验证的，不适于实时电池评估，对于真实电动汽车数据的可靠性仍需验证。当前常用的可以定位故障电芯的方法主要有基于阈值的方法、基于相关的方法、基于机器学习的方法和基于熵的方法，但存在着鲁棒性差、易受采样干扰、需要大量离线数据训练等问题。因此，急需开发一种基于真实车辆数据的动力电池在线故障检测算法，提高预警时效性，促进电动汽车的安全稳定可靠运行。
发明内容
本发明的目的是为了解决现有故障检测方法很难在电池的异常特征不明显时进行早期故障检测以及现有诊断方法大多基于实验室研究缺少实车验证的问题，进而提出一种动力电池故障在线检测方法，具体包括：
设置滑动窗口的长度并获取本滑动窗口内的包括有单体端电压数据Vi的电池实时数据；
根据所述电池实时数据确定汽车电池单体的使用状态,所述使用状态包括：充电状态和放电状态；
根据所述电池实时放电状态数据提取电池放电电压数据进行数据清洗，获得清洗后数据；
根据所述清洗后数据进行经验模态分解，提取分解后的残差值，获得分解后数据；
根据所述分解后数据计算香农熵权重法下各单体得分，得到电池单体得分结果；
根据所述电池单体得分结果确定各电池单体的单体得分结果的改进Z-分数；
根据所述单体得分结果的改进Z-分数判断是否发生故障，大于设定阈值的对应的单体编号的电池发生故障，反之，若所有单体均小于等于设定阈值则未发生故障；
重新采集下一滑动窗口的数据。
在上述的一种动力电池故障在线检测方法，电池实时数据包括总电压V、总电流I、单体电压Vi和串联电池组单体个数n，其中总电压、总电流、单体电压为矩阵形式。
在上述的一种动力电池故障在线检测方法，根据所述电池实时数据确定所述汽车电池单体的使用状态,所述使用状态包括：充电状态和放电状态，具体包括：
若当前窗口内均为放电状态则进行数据清洗，若存在充电状态则重新采集下一滑动窗口内的数据并进行识别，至窗口内均为放电数据；电池状态的识别方法是根据电流值的正负来划分充电状态与放电状态。
在上述的一种动力电池故障在线检测方法，所述电池放电电压数据进行数据清洗，获得清洗后数据，具体包括：
判断所述电池放电电压数据中是否存在相邻两行数据完全相同，得到第一判断结果；
当第一判断结果表示为存在相邻两行数据完全相同，则视为重复记录，删除后一行数据，获得清洗后数据，并判断所述清洗后数据中是否超过预设电压范围2.5V-4.5V，得到第二判断结果；
当第一判断结果表示为不存在相邻两行数据完全相同，则判断所述电池放电电压数据中是否超过预设电压范围2.5V-4.5V，得到第二判断结果；
当第二判断结果表示为存在超过预设电压范围的数据，则删除该采样时刻所有数据，获得清洗后数据，并判断所述清洗后数据中是否存在缺失，得到第三判断结果；
当第二判断结果表示为不存在超过预设电压范围的数据，则判断所述电池放电电压数据中是否存在缺失，得到第三判断结果；
当第三判断结果表示为存在电池放电电压数据缺失，则对所述电池放电电压数据进行处理，获得清洗后数据；
当第三判断结果表示为不存在电池放电电压数据缺失，则直接获得清洗后数据。
在上述的一种动力电池故障在线检测方法，所述当第三判断结果表示为存在电池放电电压数据缺失，则对所述电池放电电压数据进行处理，获得清洗后数据，具体包括：
判断所述电池放电电压数据中是否存在连续1min内存在采样数据的缺失，得到第四判断结果；
当第四判断结果表示为存在连续1min内存在采样数据的缺失，则直接将缺失时间中的所有数据清除，获得清洗后数据；
当第四判断结果表示为不存在连续1min内存在采样数据的缺失，则判断是否连续出现三个单体数据缺失，得到第五判断结果；
当第五判断结果表示为连续出现三个单体数据缺失，则删除该采样时间的所有数据，获得清洗后数据；
当第五判断结果表示为非连续缺失或仅连续缺失两个数据时，则采用相邻单体平均值插补的方法进行缺失值插补，获得清洗后数据。
在上述的一种动力电池故障在线检测方法，根据所述清洗后数据进行经验模态分解，提取分解后的残差值，获得分解后数据，具体包括：
S6.1、将清洗后数据
Figure 601635DEST_PATH_IMAGE001
作为原始信号，找出原始信号的所有局部极大值点、局 部极小值点，采用三次样条函数拟合出局部最大值包络线
Figure 336021DEST_PATH_IMAGE002
和局部最小值包络线
Figure 646917DEST_PATH_IMAGE003
；
S6.2、计算局部最大值包络线和局部最小值包络线的平均值，得到均值包络线
Figure 838864DEST_PATH_IMAGE004
，
Figure 184394DEST_PATH_IMAGE005
；
S6.3、用原始信号
Figure 803594DEST_PATH_IMAGE006
减去均值包络线
Figure 601786DEST_PATH_IMAGE004
得到
Figure 597424DEST_PATH_IMAGE007
，
Figure 797461DEST_PATH_IMAGE008
，判断
Figure 321983DEST_PATH_IMAGE007
是否为本征模函数IMF，得到第六判断结果；
当第六判断结果表示为
Figure 873051DEST_PATH_IMAGE007
为一个本征模函数IMF分量，则剩余分量
Figure 141221DEST_PATH_IMAGE009
为
Figure 461344DEST_PATH_IMAGE010
，将
Figure 422346DEST_PATH_IMAGE011
作为原始信号重复步骤S6.1继续进行分解；
当第六判断结果表示为
Figure 198060DEST_PATH_IMAGE007
不是一个本征模函数IMF分量，则执行步骤S6.4；
S6.4、将
Figure 269921DEST_PATH_IMAGE007
作为原始信号重复步骤S6.1继续进行分解得到下一个IMF分量；
S6.5、直到残余分量
Figure 444551DEST_PATH_IMAGE011
为单调函数或常量时记作
Figure 310876DEST_PATH_IMAGE012
，分解停止，EMD分解满 足
Figure 446508DEST_PATH_IMAGE014
。
在上述的一种动力电池故障在线检测方法，判断
Figure 741223DEST_PATH_IMAGE015
是否为本征模函数IMF，具体 包括：
判断
Figure 44028DEST_PATH_IMAGE015
中的局部极大值点和局部极小值点数目之和是否与过零点数目相等或 最多相差一个，得到第七判断结果；
当第七判断结果表示为局部极大值点和局部极小值点数目之和与过零点数目相 差两个及以上，则
Figure 525825DEST_PATH_IMAGE015
不是本征模函数；
当第七判断结果表示为局部极大值点和局部极小值点数目之和与过零点数目相等或相差一个，则判断在任意时间点，局部最大值包络线与局部最小值包络线均值是否为零，即整个序列的波形是否是局部对称的，得到第八判断结果；
当第八判断结果表示为在某一时间点，局部最大值包络线与局部最小值包络线均 值不为零，即整个序列的波形不是局部对称的，则
Figure 205068DEST_PATH_IMAGE015
不是本征模函数；
当第八判断结果表示为在任一时间点，局部最大值包络线与局部最小值包络线均 值都为零，即整个序列的波形是局部对称的，则
Figure 88710DEST_PATH_IMAGE015
是本征模函数。
在上述的一种动力电池故障在线检测方法，根据所述分解后数据计算香农熵权重法下各单体得分，得到电池单体得分结果，具体包括：
S8.1、将分解后数据进行min-max归一化：
Figure 562417DEST_PATH_IMAGE016
，其中，x为分解后的电压残差值，V为归一化后数据，
Figure 797089DEST_PATH_IMAGE017
、
Figure 748865DEST_PATH_IMAGE018
分 别为某一时刻所有单体电压中的最小值、最大值，经归一化的电压矩阵为：
Figure 15243DEST_PATH_IMAGE019
，其中，m为滑动窗口内采样数，
Figure 659850DEST_PATH_IMAGE020
表示V中数据；
Figure 381819DEST_PATH_IMAGE021
；
S8.2、计算概率矩阵P
Figure 137285DEST_PATH_IMAGE022
，其中，P中每一个元素
Figure 995520DEST_PATH_IMAGE023
的计算公式为：
Figure 811029DEST_PATH_IMAGE024
；
S8.3、计算权重
对于时刻j，香农熵
Figure 754714DEST_PATH_IMAGE025
的计算公式为：
Figure 579451DEST_PATH_IMAGE026
；
若
Figure 292192DEST_PATH_IMAGE027
，则定义
Figure 278602DEST_PATH_IMAGE028
；
信息熵的冗余度
Figure 709584DEST_PATH_IMAGE029
：
Figure 806853DEST_PATH_IMAGE030
；
各个时刻的权重
Figure 905259DEST_PATH_IMAGE031
为：
Figure 799921DEST_PATH_IMAGE032
；
S8.4、进行基于香农熵权重法的评分
利用各时刻的权重与各电压计算各单体得分
Figure 718199DEST_PATH_IMAGE033
：
Figure 884738DEST_PATH_IMAGE034
。
在上述的一种动力电池故障在线检测方法，根据所述电池单体得分结果确定各电池单体的单体得分结果的改进Z-分数，对应计算公式如下：
Figure 572071DEST_PATH_IMAGE035
Figure 900284DEST_PATH_IMAGE036
Figure 305858DEST_PATH_IMAGE037
，其中，
Figure 10509DEST_PATH_IMAGE038
表示各单体得分的算术平均数，
Figure 552348DEST_PATH_IMAGE039
表示所有单体得分中的最大值，
Figure 51463DEST_PATH_IMAGE040
表示得分的方差值。
一种动力电池故障在线检测系统，包括:
第一模块:被配置为用于设置滑动窗口的长度并获取本滑动窗口内的包括有单体端电压数据Vi的电池实时数据；
第二模块: 被配置为根据所述电池实时数据确定汽车电池单体的使用状态,所述使用状态包括：充电状态和放电状态；
第三模块: 被配置为根据所述电池实时放电状态数据提取电池放电电压数据进行数据清洗，获得清洗后数据；
第四模块: 被配置为根据所述清洗后数据进行经验模态分解，提取分解后的残差值，获得分解后数据；
第五模块: 被配置为根据所述分解后数据计算香农熵权重法下各单体得分，得到电池单体得分结果；
第六模块: 被配置为根据所述电池单体得分结果确定各电池单体的单体得分结果的改进Z-分数；
第七模块: 被配置为根据所述单体得分结果的改进Z-分数判断是否发生故障，大于设定阈值的对应的单体编号的电池发生故障，反之，若所有单体均小于等于设定阈值则未发生故障。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明首先设置滑动窗口长度来实现在线检测，然后进行充电电压识别，进而进行包含数据清洗和经验模态分解的数据预处理，再而进行基于香农熵权重法的各单体得分计算，最后进行基于单体得分的改进Z-分数计算，进行故障检测及定位。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例电池故障在线检测方法的流程图。
图2为本发明实施例实际车辆放电电压曲线。
图3为本发明实施例经数据预处理后的放电电压曲线。
图4为本发明实施例各单体香农熵权重法得分。
图5为本发明实施例各单体得分的改进Z-分数。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种动力电池故障在线检测方法，以检测动力电池早期故障。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例电池故障在线检测方法的流程图，如图1所示，本发明提供一种电池故障在线检测方法，所述方法包括：
步骤100：设置滑动窗口的长度并获取本滑动窗口内的包括有单体端电压数据Vi的电池实时数据；
步骤200：根据所述电池实时数据确定所述汽车电池单体的使用状态,所述使用状态包括：充电状态和放电状态。
步骤300：根据所述电池实时放电状态数据提取所述电池放电电压数据，如图2所示，进行数据清洗，获得清洗后数据；
步骤400：根据所述清洗后数据进行经验模态分解，提取分解后的残差值，获得分解后数据，如图3所示；
步骤500：根据所述分解后数据计算香农熵权重法下各单体得分，得到电池单体得分结果，如图4所示；
步骤600：根据所述电池单体得分结果确定各电池单体的单体得分结果的改进Z-分数；
步骤700：根据所述单体得分结果的改进Z-分数判断是否发生故障，如图5所示，大于设定阈值的对应的单体编号的电池发生故障，反之，若所有单体均小于等于设定阈值则未发生故障；
步骤800：重新采集下一滑动窗口的数据。
下面对各个步骤进行详细介绍：
步骤100：设置滑动窗口的长度并获取本滑动窗口内的包括有单体端电压数据Vi的电池实时数据，电池实时数据包括总电压V、总电流I、单体电压Vi和串联电池组单体个数n，其中总电压、总电流、单体电压为矩阵形式。
步骤200：根据所述电池实时数据确定所述汽车电池单体的使用状态,所述使用状态包括：充电状态和放电状态。在当前滑动窗口读取电池系统的实时状态后识别电池状态，具体包括：若当前窗口内均为放电状态则进行数据清洗，若存在充电状态则重新采集下一滑动窗口内的数据并进行识别，至窗口内均为放电数据；电池状态的识别方法是根据电流值的正负来划分充电状态与放电状态。
步骤300：所述电池放电电压数据进行数据清洗，获得清洗后数据，具体包括：
步骤301：判断所述电池放电电压数据中是否存在相邻两行数据完全相同，得到第一判断结果；
步骤302：当第一判断结果表示为存在相邻两行数据完全相同，则视为重复记录，删除后一行数据，获得清洗后数据，并判断所述清洗后数据中是否超过预设电压范围2.5V-4.5V，得到第二判断结果；
步骤303：当第一判断结果表示为不存在相邻两行数据完全相同，则判断所述电池放电电压数据中是否超过预设电压范围2.5V-4.5V，得到第二判断结果；
步骤304：当第二判断结果表示为存在超过预设电压范围的数据，则删除该采样时刻所有数据，获得清洗后数据，并判断所述清洗后数据中是否存在缺失，得到第三判断结果；
步骤305：当第二判断结果表示为不存在超过预设电压范围的数据，则判断所述电池放电电压数据中是否存在缺失，得到第三判断结果；
步骤306：当第三判断结果表示为存在电池放电电压数据缺失，则对所述电池放电电压数据进行处理，获得清洗后数据，具体方法为：
判断所述电池放电电压数据中是否存在连续1min内存在采样数据的缺失，得到第四判断结果；
当第四判断结果表示为存在连续1min内存在采样数据的缺失，则直接将缺失时间中的所有数据清除，获得清洗后数据；
当第四判断结果表示为不存在连续1min内存在采样数据的缺失，则判断是否连续出现三个单体数据缺失，得到第五判断结果；
当第五判断结果表示为连续出现三个单体数据缺失，则删除该采样时间的所有数据，获得清洗后数据；
当第五判断结果表示为非连续缺失或仅连续缺失两个数据时，则采用相邻单体平均值插补的方法进行缺失值插补，获得清洗后数据。
步骤307：当第三判断结果表示为不存在电池放电电压数据缺失，则直接获得清洗后数据。
步骤400：根据所述清洗后数据进行经验模态分解，提取分解后的残差值，获得分解后数据，具体包括：
步骤401：将清洗后数据
Figure 944332DEST_PATH_IMAGE041
作为原始信号，找出原始信号的所有局部极大值点、 局部极小值点，采用三次样条函数拟合出局部最大值包络线
Figure 452674DEST_PATH_IMAGE042
和局部最小值包络线
Figure 849020DEST_PATH_IMAGE043
；
步骤402：计算局部最大值包络线和局部最小值包络线的平均值，得到均值包络线
Figure 519036DEST_PATH_IMAGE044
，
Figure 896272DEST_PATH_IMAGE045
；
步骤403：用原始信号
Figure 677146DEST_PATH_IMAGE041
减去均值包络线
Figure 459158DEST_PATH_IMAGE044
得到
Figure 300075DEST_PATH_IMAGE015
，
Figure 167537DEST_PATH_IMAGE046
， 判断
Figure 752102DEST_PATH_IMAGE015
是否为本征模函数IMF，得到第六判断结果，具体方法为：
判断
Figure 123040DEST_PATH_IMAGE015
中的局部极大值点和局部极小值点数目之和是否与过零点数目相等或 最多相差一个，得到第七判断结果；
当第七判断结果表示为局部极大值点和局部极小值点数目之和与过零点数目相 差两个及以上，则
Figure 400438DEST_PATH_IMAGE015
不是本征模函数；
当第七判断结果表示为局部极大值点和局部极小值点数目之和与过零点数目相等或相差一个，则判断在任意时间点，局部最大值包络线与局部最小值包络线均值是否为零，即整个序列的波形是否是局部对称的，得到第八判断结果；
当第八判断结果表示为在某一时间点，局部最大值包络线与局部最小值包络线均 值不为零，即整个序列的波形不是局部对称的，则
Figure 224037DEST_PATH_IMAGE015
不是本征模函数；
当第八判断结果表示为在任一时间点，局部最大值包络线与局部最小值包络线均 值都为零，即整个序列的波形是局部对称的，则
Figure 877872DEST_PATH_IMAGE015
是本征模函数。
步骤404：当第六判断结果表示为
Figure 103317DEST_PATH_IMAGE015
为一个IMF分量，则剩余分量
Figure 286037DEST_PATH_IMAGE047
为
Figure 128091DEST_PATH_IMAGE048
，将
Figure 322968DEST_PATH_IMAGE049
作为原始信号重复步骤401继续进行分解；
步骤405：当第六判断结果表示为
Figure 402919DEST_PATH_IMAGE015
不是一个IMF分量，则执行步骤406：;
步骤406：将
Figure 22119DEST_PATH_IMAGE015
作为原始信号重复步骤401继续进行分解得到下一个IMF分量；
步骤407：直到残余分量
Figure 85890DEST_PATH_IMAGE049
为单调函数或常量时记作
Figure 815949DEST_PATH_IMAGE050
，分解停止，EMD分解 满足
Figure 806088DEST_PATH_IMAGE051
。
步骤500：根据所述分解后数据计算香农熵权重法下各单体得分，得到电池单体得分结果，具体包括：
步骤501：将分解后数据进行min-max归一化：
Figure 91575DEST_PATH_IMAGE052
，其中，x为分解后数据，V为归一化后数据，
Figure 625325DEST_PATH_IMAGE017
、
Figure 945448DEST_PATH_IMAGE053
分别为某一 时刻所有单体电压中的最小值、最大值，经归一化的电压矩阵为：
Figure 906451DEST_PATH_IMAGE054
，其中，m为滑动窗口内采样数，
Figure 413655DEST_PATH_IMAGE020
表示V中数据；
Figure 751096DEST_PATH_IMAGE055
。
步骤502：计算概率矩阵P
Figure 922795DEST_PATH_IMAGE056
，其中，P中每一个元素
Figure 54700DEST_PATH_IMAGE023
的计算公式为：
Figure 314780DEST_PATH_IMAGE057
；
步骤503：计算权重
对于时刻j，香农熵
Figure 190332DEST_PATH_IMAGE025
的计算公式为：
Figure 485047DEST_PATH_IMAGE026
；
若
Figure 522273DEST_PATH_IMAGE027
，则定义
Figure 269649DEST_PATH_IMAGE058
；
信息熵的冗余度
Figure 948892DEST_PATH_IMAGE029
：
Figure 832534DEST_PATH_IMAGE030
；
各个时刻的权重
Figure 571820DEST_PATH_IMAGE031
为：
Figure 540913DEST_PATH_IMAGE032
；
步骤504：进行基于香农熵权重法的评分
利用各时刻的权重与各电压计算各单体得分
Figure 492689DEST_PATH_IMAGE033
：
Figure 761996DEST_PATH_IMAGE059
。
步骤600：根据所述电池单体得分结果确定各电池单体的单体得分结果的改进Z-分数，对应计算公式如下：
Figure 143955DEST_PATH_IMAGE060
Figure 865923DEST_PATH_IMAGE036
Figure 621389DEST_PATH_IMAGE037
，其中，
Figure 479624DEST_PATH_IMAGE038
表示各单体得分的算术平均数，
Figure 560712DEST_PATH_IMAGE039
表示所有单体得分中的最大值，
Figure 504398DEST_PATH_IMAGE040
表示得分的方差值；
步骤700：根据所述单体得分结果的改进Z-分数判断是否发生故障，所述特定阈值为3。
本发明首先设置滑动窗口长度来实现在线检测，然后进行充电电压识别，进而进行包含数据清洗和经验模态分解的数据预处理，再而进行基于香农熵权重法的各单体得分计算，最后进行基于单体得分的改进Z-分数计算，进行故障检测及定位。
另外，本发明在电池系统侧基于放电电压数据就可以对单体电池进行故障检测和预警，应用简单，时效性高；只需要缓存计算过程数据，不需要缓存源数据（例如放电过程的其他状态数据等），算力需求低；数据预处理过程中，采用了经验模态分解的方法，使用分解后的残差值进行后续研究，在保留电压变化趋势及故障特征的前提下减小了放电过程中的电压波动对后续检测的影响；基于改进Z-分数来进行故障检测的方法代替设置固定阈值进行检测的方法，首先，它避免了阈值选择的问题；其次，改进Z-分数放大了正常值和异常值之间的差异，有助于识别电池组中的异常单体，更适用于电池故障检测。
本发明中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (7)

1.一种动力电池故障在线检测方法，其特征在于，所述方法包括：
设置滑动窗口的长度并获取本滑动窗口内的包括有单体端电压数据Vi的电池实时数据；
根据所述电池实时数据确定汽车电池单体的使用状态,所述使用状态包括：充电状态和放电状态；
根据所述电池实时放电状态数据提取电池放电电压数据进行数据清洗，获得清洗后数据；
根据所述清洗后数据进行经验模态分解，提取分解后的残差值，获得分解后数据；
根据所述分解后数据计算香农熵权重法下各单体得分，得到电池单体得分结果；
根据所述电池单体得分结果确定各电池单体的单体得分结果的改进Z-分数；
根据所述单体得分结果的改进Z-分数判断是否发生故障，大于设定阈值的对应的单体编号的电池发生故障，反之，若所有单体均小于等于设定阈值则未发生故障；
重新采集下一滑动窗口的数据；
根据所述清洗后数据进行经验模态分解，提取分解后的残差值，获得分解后数据，具体包括：
S6.1、将清洗后数据
Figure 69732DEST_PATH_IMAGE001
作为原始信号，找出原始信号的所有局部极大值点、局部极小 值点，采用三次样条函数拟合出局部最大值包络线
Figure 544401DEST_PATH_IMAGE002
和局部最小值包络线
Figure 194826DEST_PATH_IMAGE003
；
S6.2、计算局部最大值包络线和局部最小值包络线的平均值，得到均值包络线
Figure 853340DEST_PATH_IMAGE004
，
Figure 222004DEST_PATH_IMAGE005
；
S6.3、用原始信号
Figure 506224DEST_PATH_IMAGE006
减去均值包络线
Figure 276734DEST_PATH_IMAGE004
得到
Figure 840571DEST_PATH_IMAGE007
，
Figure 962110DEST_PATH_IMAGE008
，判断
Figure 50021DEST_PATH_IMAGE007
是否为本征模函数IMF，得到第六判断结果；
当第六判断结果表示为
Figure 409458DEST_PATH_IMAGE007
为一个本征模函数IMF分量，则剩余分量
Figure 409775DEST_PATH_IMAGE009
为
Figure 736720DEST_PATH_IMAGE010
， 将
Figure 379054DEST_PATH_IMAGE011
作为原始信号重复步骤S6.1继续进行分解；
当第六判断结果表示为
Figure 858577DEST_PATH_IMAGE007
不是一个本征模函数IMF分量，则执行步骤S6.4；
S6.4、将
Figure 295375DEST_PATH_IMAGE007
作为原始信号重复步骤S6.1继续进行分解得到下一个IMF分量；
S6.5、直到剩余分量
Figure 781720DEST_PATH_IMAGE011
为单调函数或常量时记作
Figure 945853DEST_PATH_IMAGE012
，分解停止，EMD分解满足
Figure 887582DEST_PATH_IMAGE015
；
根据所述分解后数据计算香农熵权重法下各单体得分，得到电池单体得分结果，m为滑动窗口内采样数，具体包括：
S8.1、将分解后数据进行min-max归一化：
Figure 939851DEST_PATH_IMAGE016
，其中，x为分解后的电压残差值，V为归一化后数据，
Figure 907676DEST_PATH_IMAGE017
、
Figure 361791DEST_PATH_IMAGE018
分别为 某一时刻所有单体电压中的最小值、最大值，经归一化的电压矩阵为：
Figure 140391DEST_PATH_IMAGE019
，其中，
Figure 414378DEST_PATH_IMAGE020
表示V中数据；
Figure 185894DEST_PATH_IMAGE021
；
Figure 494515DEST_PATH_IMAGE022
是串联电 池组单体个数；
S8.2、计算概率矩阵P
Figure 444017DEST_PATH_IMAGE023
，其中，P中每一个元素
Figure 470879DEST_PATH_IMAGE024
的计算公式为：
Figure 786366DEST_PATH_IMAGE025
；
S8.3、计算权重
对于时刻j，香农熵
Figure 949494DEST_PATH_IMAGE026
的计算公式为：
Figure 460109DEST_PATH_IMAGE027
；
若
Figure 974267DEST_PATH_IMAGE028
，则定义
Figure 87586DEST_PATH_IMAGE029
；
信息熵的冗余度
Figure 105220DEST_PATH_IMAGE030
：
Figure 662104DEST_PATH_IMAGE031
；
各个时刻的权重
Figure 397978DEST_PATH_IMAGE032
为：
Figure 314988DEST_PATH_IMAGE033
；
S8.4、进行基于香农熵权重法的评分
利用各时刻的权重与各电压计算各单体得分
Figure 187129DEST_PATH_IMAGE034
：
Figure 914913DEST_PATH_IMAGE035
；
根据所述电池单体得分结果确定各电池单体的单体得分结果的改进Z-分数，对应计算公式如下：
Figure 138084DEST_PATH_IMAGE036
Figure 327626DEST_PATH_IMAGE037
Figure 319853DEST_PATH_IMAGE038
，其中，
Figure 218539DEST_PATH_IMAGE039
表示各单体得分的算术平均数，
Figure 663426DEST_PATH_IMAGE040
表示所有单体得分中的最大值，
Figure 922238DEST_PATH_IMAGE041
表示得分的方差值。
2.根据权利要求1所述的一种动力电池故障在线检测方法，其特征在于，电池实时数据包括总电压V、总电流I、单体电压Vi和串联电池组单体个数n，其中总电压、总电流、单体电压为矩阵形式。
3.根据权利要求1所述的一种动力电池故障在线检测方法，其特征在于，根据所述电池实时数据确定所述汽车电池单体的使用状态,所述使用状态包括：充电状态和放电状态，具体包括：
若当前窗口内均为放电状态则进行数据清洗，若存在充电状态则重新采集下一滑动窗口内的数据并进行识别，至窗口内均为放电数据；电池状态的识别方法是根据电流值的正负来划分充电状态与放电状态。
4.根据权利要求1所述的一种动力电池故障在线检测方法，其特征在于，所述电池放电电压数据进行数据清洗，获得清洗后数据，具体包括：
判断所述电池放电电压数据中是否存在相邻两行数据完全相同，得到第一判断结果；
当第一判断结果表示为存在相邻两行数据完全相同，则视为重复记录，删除后一行数据，获得清洗后数据，并判断所述清洗后数据中是否超过预设电压范围2.5V-4.5V，得到第二判断结果；
当第一判断结果表示为不存在相邻两行数据完全相同，则判断所述电池放电电压数据中是否超过预设电压范围2.5V-4.5V，得到第二判断结果；
当第二判断结果表示为存在超过预设电压范围的数据，则删除该采样时刻所有数据，获得清洗后数据，并判断所述清洗后数据中是否存在缺失，得到第三判断结果；
当第二判断结果表示为不存在超过预设电压范围的数据，则判断所述电池放电电压数据中是否存在缺失，得到第三判断结果；
当第三判断结果表示为存在电池放电电压数据缺失，则对所述电池放电电压数据进行处理，获得清洗后数据；
当第三判断结果表示为不存在电池放电电压数据缺失，则直接获得清洗后数据。
5.根据权利要求4所述的一种动力电池故障在线检测方法，其特征在于，所述当第三判断结果表示为存在电池放电电压数据缺失，则对所述电池放电电压数据进行处理，获得清洗后数据，具体包括：
判断所述电池放电电压数据中是否存在连续1min内存在采样数据的缺失，得到第四判断结果；
当第四判断结果表示为存在连续1min内存在采样数据的缺失，则直接将缺失时间中的所有数据清除，获得清洗后数据；
当第四判断结果表示为不存在连续1min内存在采样数据的缺失，则判断是否连续出现三个单体数据缺失，得到第五判断结果；
当第五判断结果表示为连续出现三个单体数据缺失，则删除该采样时刻的所有数据，获得清洗后数据；
当第五判断结果表示为非连续缺失或仅连续缺失两个数据时，则采用相邻单体平均值插补的方法进行缺失值插补，获得清洗后数据。
6.根据权利要求5所述的一种动力电池故障在线检测方法，其特征在于，判断
Figure 34551DEST_PATH_IMAGE042
是否 为本征模函数IMF，具体包括：
判断
Figure 572980DEST_PATH_IMAGE043
中的局部极大值点和局部极小值点数目之和是否与过零点数目相等或最多 相差一个，得到第七判断结果；
当第七判断结果表示为局部极大值点和局部极小值点数目之和与过零点数目相差两 个及以上，则
Figure 20010DEST_PATH_IMAGE042
不是本征模函数；
当第七判断结果表示为局部极大值点和局部极小值点数目之和与过零点数目相等或相差一个，则判断在任意时间点，局部最大值包络线与局部最小值包络线均值是否为零，即整个序列的波形是否是局部对称的，得到第八判断结果；
当第八判断结果表示为在某一时间点，局部最大值包络线与局部最小值包络线均值不 为零，即整个序列的波形不是局部对称的，则
Figure 567666DEST_PATH_IMAGE043
不是本征模函数；
当第八判断结果表示为在任一时间点，局部最大值包络线与局部最小值包络线均值都 为零，即整个序列的波形是局部对称的，则
Figure 534485DEST_PATH_IMAGE043
是本征模函数。
7.一种动力电池故障在线检测系统，采用权利要求1所述的方法，其特征在于，包括:
第一模块:被配置为用于设置滑动窗口的长度并获取本滑动窗口内的包括有单体端电压数据Vi的电池实时数据；
第二模块: 被配置为根据所述电池实时数据确定汽车电池单体的使用状态,所述使用状态包括：充电状态和放电状态；
第三模块: 被配置为根据所述电池实时放电状态数据提取电池放电电压数据进行数据清洗，获得清洗后数据；
第四模块: 被配置为根据所述清洗后数据进行经验模态分解，提取分解后的残差值，获得分解后数据；
第五模块: 被配置为根据所述分解后数据计算香农熵权重法下各单体得分，得到电池单体得分结果；
第六模块: 被配置为根据所述电池单体得分结果确定各电池单体的单体得分结果的改进Z-分数；
第七模块: 被配置为根据所述单体得分结果的改进Z-分数判断是否发生故障，大于设定阈值的对应的单体编号的电池发生故障，反之，若所有单体均小于等于设定阈值则未发生故障。
CN202210854833.9A 2022-07-20 2022-07-20 一种动力电池故障在线检测方法及系统 Active CN114942386B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210854833.9A CN114942386B (zh) 2022-07-20 2022-07-20 一种动力电池故障在线检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210854833.9A CN114942386B (zh) 2022-07-20 2022-07-20 一种动力电池故障在线检测方法及系统

Publications (2)

Publication Number Publication Date
CN114942386A CN114942386A (zh) 2022-08-26
CN114942386B true CN114942386B (zh) 2022-11-04

Family

ID=82911598

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210854833.9A Active CN114942386B (zh) 2022-07-20 2022-07-20 一种动力电池故障在线检测方法及系统

Country Status (1)

Country Link
CN (1) CN114942386B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115656847B (zh) * 2022-12-08 2023-04-07 东莞先知大数据有限公司 一种电动车电池异常确定方法、电子设备和存储介质
CN116466241B (zh) * 2023-05-06 2024-03-26 重庆标能瑞源储能技术研究院有限公司 一种单体电池热失控定位方法
CN116736140B (zh) * 2023-08-08 2023-10-20 启垠科技(深圳)有限公司 基于储能量自检测的储能式极速充故障监测方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111126449A (zh) * 2019-11-29 2020-05-08 合肥国轩高科动力能源有限公司 一种基于聚类分析的电池故障分类诊断方法
CN113030763A (zh) * 2021-02-20 2021-06-25 武汉云衡智能科技有限公司 一种车用动力电池一致性差异的潜在风险诊断系统
WO2021259196A1 (zh) * 2020-06-22 2021-12-30 北京理工大学 一种电池组一致性评估方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110129129A1 (en) * 2009-11-30 2011-06-02 General Electric Company System and method for integrated quantifiable detection, diagnosis and monitoring of disease using population related data for determining a disease signature

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111126449A (zh) * 2019-11-29 2020-05-08 合肥国轩高科动力能源有限公司 一种基于聚类分析的电池故障分类诊断方法
WO2021259196A1 (zh) * 2020-06-22 2021-12-30 北京理工大学 一种电池组一致性评估方法及系统
CN113030763A (zh) * 2021-02-20 2021-06-25 武汉云衡智能科技有限公司 一种车用动力电池一致性差异的潜在风险诊断系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
《Lithium-ion batteries fault diagnostic for electric vehicles using sample entropy analysis method》;li xiaoyu etc;《Journal of Energy Storage》;20200228;第1-11页 *
《Voltage fault diagnosis and prognosis of battery systems based on entropy and Z-score for electric vehicles》;wang zhenbo etc;《Applied Energy》;20171231;第289-302页 *
《基于数据驱动的纯电动汽车动力电池故障诊断方法研究》;孙振宇;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20210715;第18-31页 *

Also Published As

Publication number Publication date
CN114942386A (zh) 2022-08-26

Similar Documents

Publication Publication Date Title
CN114942386B (zh) 一种动力电池故障在线检测方法及系统
Xiong et al. Lithium-ion battery health prognosis based on a real battery management system used in electric vehicles
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
CN114559819B (zh) 一种基于信号处理的电动汽车电池安全预警方法
CN111537899A (zh) 一种梯次利用动力电池安全性评估方法
CN110148991B (zh) 一种基于大数据的电池过充预警方法及系统
CN111257753B (zh) 一种电池系统故障诊断方法
CN114942387B (zh) 一种基于真实数据的动力电池故障在线检测方法及系统
CN112345955B (zh) 一种动力电池多故障在线诊断方法与系统
CN115494400B (zh) 一种基于集成学习的锂电池析锂状态在线监控方法
CN115951231A (zh) 基于单体电池电压相关性的汽车动力电池故障预警方法
CN115219905A (zh) 一种电池内短路在线检测方法、装置及存储介质
CN113791351B (zh) 基于迁移学习和差值概率分布的锂电池寿命预测方法
KR102620444B1 (ko) 배터리 상태 추정 장치 및 배터리 상태 추정 모델 학습 장치
CN108535653B (zh) 一种蓄电池内阻估算方法及装置
CN117719345A (zh) 一种基于ic曲线考虑老化的电池微短路量化方法
CN114418465B (zh) 一种数据驱动的动力电池使用行为量化评估方法
CN116008847A (zh) 一种基于车云协同下的锂离子电池在线析锂检测方法
CN115792636A (zh) 一种基于电压最值的电池组微小故障定量诊断方法及系统
CN113884903B (zh) 一种基于多层感知器神经网络的电池故障诊断方法
CN113533985B (zh) 一种电池包内阻异常模块的识别方法及其存储介质
CN115508706A (zh) 一种考虑容量再生现象的锂电池剩余寿命预测方法
CN115469226A (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
Baba et al. Simultaneous Estimation of the SOC and Parameters of Batteries for HEV/EV
CN116400231B (zh) 储能系统的电池多故障检测方法、装置及电子设备

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