CN115308631B - 一种新能源汽车动力电池组故障诊断方法及系统 - Google Patents

一种新能源汽车动力电池组故障诊断方法及系统 Download PDF

Info

Publication number
CN115308631B
CN115308631B CN202211223879.7A CN202211223879A CN115308631B CN 115308631 B CN115308631 B CN 115308631B CN 202211223879 A CN202211223879 A CN 202211223879A CN 115308631 B CN115308631 B CN 115308631B
Authority
CN
China
Prior art keywords
monomer
battery pack
curve
voltage
battery
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
CN202211223879.7A
Other languages
English (en)
Other versions
CN115308631A (zh
Inventor
武明虎
杜万银
陈金莲
郭乐铭
邢子轩
孙萌
张书凡
张凡
姜久春
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 CN202211223879.7A priority Critical patent/CN115308631B/zh
Publication of CN115308631A publication Critical patent/CN115308631A/zh
Application granted granted Critical
Publication of CN115308631B publication Critical patent/CN115308631B/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]
    • G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
    • 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
    • B60L58/18—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries of two or more battery modules
    • 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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization

Abstract

本发明针对实际运行中的新能源汽车数据提出了一种新能源汽车动力电池组故障诊断方法及系统。本发明采用一种基于特征指数化的方法提取电压的新特征，能够有效地放大电池单体的故障，易于实现更快速的预警；其次，并采用基于K‑means聚类的参考单体选择方法，能够有效的减少各单体不一致性导致的误报；最后，将动态时间规划(DTW)算法引入电池组的故障诊断领域并修正DTW算法。最后将提取的故障特征作为修正的DTW算法的输入，算法输出结果最优路径值DS与设定的阈值比较，能够实现电池组的在线故障诊断。

Description

一种新能源汽车动力电池组故障诊断方法及系统
技术领域
本发明属于电池系统的故障检测领域，具体涉及利用无量纲指标提取电压特征，并基于K-means和DTW算法的一种新能源汽车动力电池组故障诊断方法及系统。
背景技术
电池故障一直是新能源汽车安全的一大隐患，早期的故障诊断会减少很多的新能源汽车安全事故，且一般前期的故障短路信号很微弱，因此实现电池故障的早期预警目前仍然是一大挑战。因此，急需开发一种锂离子电池的微小故障预警算法。
目前基于模型开发的故障诊断算法在实际运行车辆上运用时对模型精度要求高，对硬件、附加设备的要求也很高，很难应用于实际。而基于知识开发的故障诊断算法需要大量的故障数据支撑，实际应用中故障数据缺乏，模型规则难以建立，因此也很难应用到BMS中。
发明内容
本发明的上述技术问题主要是通过下述技术方案得以解决的：
一种新能源汽车动力电池组故障诊断方法，包括
获取电池组电压数据并对其进行数据清洗后进行FEF特征提取，从提取的FEF特征中确定放电参考曲线，放电参考曲线即为参考单体电池的放电参考曲线；
获取待测单体电池电压数据并对其进行数据清洗后进行FEF特征提取，获取待测电池放电曲线，将待测电池放电曲线与放电参考曲线进行比较并计算两者最优路径，并设置自适应阈值，若最优路径DS大于设定阈值T，则认为该单体k为故障单体。
在上述的方法，
获取电池组电压数据对其进行数据清洗后建立电压矩阵
Figure 812237DEST_PATH_IMAGE001
；
对电压矩阵
Figure 260536DEST_PATH_IMAGE001
利用FEF方法提取新的特征，FEF的计算公式如下：
Figure 837011DEST_PATH_IMAGE002
，
Figure 28958DEST_PATH_IMAGE003
表示第j采样时刻的所有单体平均电压 值，
Figure 640068DEST_PATH_IMAGE004
表示第j时刻的第k个单体的电压值；保存每个单体在每个采样时刻下的FEF特征值， 得到最终的特征矩阵
Figure 259268DEST_PATH_IMAGE005
。
在上述的方法，构建由k个电池单体组成的动力电池组单体矩阵
Figure 320109DEST_PATH_IMAGE006
， n是采样时刻 的次数；
基于K-means聚类的方法求取第j个时刻的k个单体中的簇中心点
Figure 315747DEST_PATH_IMAGE007
；
将K-means聚类的计算结果构建成一个簇中心矩阵C；
比较各时刻与簇中心值最相近的单体电池，该单体即为参考单体电池。
在上述的方法，设定一个区间半径
Figure 781363DEST_PATH_IMAGE008
，并令簇中心范围矩阵
Figure 305885DEST_PATH_IMAGE009
为
Figure 856952DEST_PATH_IMAGE010
在特征矩阵
Figure 125123DEST_PATH_IMAGE011
中，寻找第j个时刻的，属于
Figure 445246DEST_PATH_IMAGE009
的电池单体；
Figure 406248DEST_PATH_IMAGE012
记录j个时刻内所有符合要求的单体号N，
Figure 444612DEST_PATH_IMAGE013
M表示单体在j时刻内符合要求的出现次数，选择M中前p个次数最多的单体号，求取平均值即为参考单体电池，即：
Figure 250894DEST_PATH_IMAGE014
其中，k_max取M中前p个次数最多的单体号，
Figure 691102DEST_PATH_IMAGE015
为k_max单体的特征曲线，
Figure 557427DEST_PATH_IMAGE016
为 参考单体。
在上述的方法，定义被检测的单体曲线为
Figure 817507DEST_PATH_IMAGE017
，计算两者的最优路径
Figure 695989DEST_PATH_IMAGE018
，
Figure 725125DEST_PATH_IMAGE019
表示
Figure 293509DEST_PATH_IMAGE020
与
Figure 775306DEST_PATH_IMAGE021
的DTW算法计算结果。设置阈值T，若
Figure 454549DEST_PATH_IMAGE022
大于阈 值T，则认为该单体k为故障单体，反之，认为当前单体k为正常单体，
Figure 338192DEST_PATH_IMAGE023
表示单体k的最优路 径。
在上述的方法，阈值T设定为
Figure 77478DEST_PATH_IMAGE024
式中，mean为当前时刻所有单体DS的平均值，std为当前时刻所有单体DS的标准 差，即T为1.3倍的
Figure 46571DEST_PATH_IMAGE025
原则。
在上述的方法，对采集到的电压数据进行判断，并且：
若数据采样点的数量小于Num个，则当前获取电池组电压数据无效；
若数据采样点的数量大于Num个，则利用局部加权回归算法对当前采集的电池组电压数据进行数据清洗，去除异常数据点。
一种新能源汽车动力电池组故障诊断系统，包括：
第一模块：被配置为用于获取电池组电压数据并对其进行数据清洗后进行FEF特征提取，从提取的FEF特征中确定放电参考曲线，放电参考曲线即为参考单体电池的放电参考曲线；
第二模块：被配置为用于获取待测单体电池电压数据并对其进行数据清洗后进行FEF特征提取，获取待测电池放电曲线，将待测电池放电曲线与放电参考曲线进行比较并计算两者的最优路径值，并设置自适应阈值T，若最优路径DS大于设定阈值T，则认为该单体i为故障单体。
因此，本发明具有如下优点：（1）由于发生微小短路故障的电池单体前期在电压的变化上较小，实际应用又需要算法能够提前预警，若使用采集的原始电压数据，很难满足故障诊断要求。因此，本方法引入一种基于FEF的特征提取方法，利用电压提取新的特征。（2）提出了一种基于K-means聚类的参考单体选择方法，能够有效地降低单体的不一致性带来的影响，并能够降低算法的误报率。（3）基于修正的DTW算法，输入提取的特征，计算各单体与参考单体的相似度，构建各单体在各时刻的相似度矩阵，并设置自适应阈值进行故障单体检测和定位。
附图说明
附图1是本发明的一种方法流程图；
附图2是本发明步骤中提取特征的流程图；
附图3是参考单体选择的具体流程图；
附图4是DTW的计算流程图；
附图5a是实际车辆电池单体间改进的DTW计算结果；
附图5b是未经过本文所提方法处理的电压图。
具体实施方式
下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。
实施例：
本发明的总体计算流程如图1所示。首先判断实际运行中采集的电压放电过程数据是否满足计算要求，即采样点的个数是否足够用于算法的计算。然后对电压数据进行数据清洗，去除由于传感器等造成的数据异常。其次利用FEF的方法对电压数据进行特征提取，获得新的特征。再其次用基于K-means聚类的方法选择参考单体，用于后续算法的计算参考单体。最后，将提取的新特征输入修正的DTW算法中，并设置自适应阈值，进行故障单体的检测和定位。
本方案的具体实施步骤如下：
1、首先对采集到的电压数据进行判断。若数据采样点的数量小于Num个，则当前过程无效。若数据采样点的数量大于Num个，则进入步骤2。
2、利用局部加权回归算法对当前过程的数据进行数据清洗，去除由于采样错误导致的异常数据点。
3、基于FEF的方法通过电压提取出一个新的特征。步骤可见附图2。
首先利用经过了步骤1、2的电压数据建立电压矩阵
Figure 998346DEST_PATH_IMAGE026
Figure 267653DEST_PATH_IMAGE027
对电压矩阵
Figure 912261DEST_PATH_IMAGE028
利用FEF的方法提取新的特征，FEF的计算公式如下：
Figure 634230DEST_PATH_IMAGE029
式中，
Figure 389696DEST_PATH_IMAGE030
表示第j采样时刻的所有单体平均电压值，
Figure 268439DEST_PATH_IMAGE031
表示第j时刻的第k 个单体的电压值。为了方便理解，对于该公式的简要说明如下：该公式利用指数函数的爆炸 增长特征来放大单体电压之间的差异特征。在一般的新能源汽车电池组中，电池都采用相 同型号的电池，因此具有类似的性能。所以电池组在正常情况下，式中的
Figure 349527DEST_PATH_IMAGE032
一般 为一个常数，但是为了避免两者相减等于零的情况，在此基础上增加了一个稳定系数1。同 理，指数
Figure 558791DEST_PATH_IMAGE033
一般也为一个常数。但是，当电池组中有某个单体k发生内短路故障时，单体电 压出现骤降。因此，式中的
Figure 383528DEST_PATH_IMAGE034
会变大，
Figure 627428DEST_PATH_IMAGE031
也会变大，因而单体K的FEF特征值会变 大。且由于指数函数的爆炸增长特征，单体K的异常变化特征就会被放大，最终达到放大特 征实现早期预警的目的。
然后保存每个单体在每个采样时刻下的FEF特征值，得到最终的特征矩阵
Figure 613838DEST_PATH_IMAGE035
Figure 310399DEST_PATH_IMAGE036
4、参考单体选择。获取当前过程提取的特征数据，可以是前n个时刻，也可以是当前过程的所有数据。现假设有k个单体组成一个新能源汽车的动力电池组，构建一个单体矩阵。
Figure 673247DEST_PATH_IMAGE037
Figure 302811DEST_PATH_IMAGE038
表示第k个单体的特征曲线，
Figure 463053DEST_PATH_IMAGE039
表示由k个单体构成的特征矩阵，共具有n个采样 时刻。
其次，利用K-means聚类的方法求取第j个时刻的k个单体中的簇中心点
Figure 646910DEST_PATH_IMAGE040
。
Figure 547869DEST_PATH_IMAGE041
式中，T表示转置。
将K-means聚类的计算结果构建成一个簇中心矩阵C。
Figure 235203DEST_PATH_IMAGE042
式中，
Figure 828995DEST_PATH_IMAGE043
表示在第j个时刻，电池组中k个单体的簇中心值。
最后，需要比较各时刻与簇中心值最相近的单体，因此首先需要设定一个区间半 径
Figure 968989DEST_PATH_IMAGE044
，并令簇中心范围矩阵
Figure 939219DEST_PATH_IMAGE045
为
Figure 481059DEST_PATH_IMAGE046
在特征矩阵
Figure 245753DEST_PATH_IMAGE047
中，寻找第j个时刻的，属于
Figure 138623DEST_PATH_IMAGE045
的电池单体。
Figure 381385DEST_PATH_IMAGE048
记录j个时刻内所有符合要求的单体号N，
Figure 777731DEST_PATH_IMAGE049
M表示单体在j时刻内符合要求的出现次数，选择M中前p个次数最多的单体号，求取平均值，即为该过程的参考单体。
Figure 713326DEST_PATH_IMAGE050
其中，k_max取M中前p个次数最多的单体号，
Figure 824983DEST_PATH_IMAGE051
为k_max单体的特征曲线，
Figure 871437DEST_PATH_IMAGE052
为 参考单体。
参考单体选择的具体流程可见附图3。
5、将提取的新特征作为修正的DTW算法的输入，计算待测单体与参考单体之间的DTW值，并设置阈值，进行故障单体的检测和定位。具体流程如下：
假设求得该放电过程的理想曲线CL为
Figure 387869DEST_PATH_IMAGE053
其中，CL为一个列向量。
需要被检测的单体曲线为
Figure 494365DEST_PATH_IMAGE054
其中，
Figure 361827DEST_PATH_IMAGE055
表示第k个单体的FEF特征值，采样点为当前过程的所有数据，Ck表示循环 取每一个
Figure 946392DEST_PATH_IMAGE055
。
DTW的计算及修正如下。
DTW就是一个寻找最优匹配路径的问题，现假设有两个随时间变化的列向量序列
Figure 317330DEST_PATH_IMAGE056
，
Figure 594728DEST_PATH_IMAGE057
，
Figure 418327DEST_PATH_IMAGE058
可取任意的正数。
因此，
Figure 72163DEST_PATH_IMAGE059
其中，传统的DTW采用的
Figure 297608DEST_PATH_IMAGE060
传统的DTW由于存在开根号的计算，缩小了最终单体之间计算结果的差值，不利于故障结果的检测。因此本文对DTW的欧式距离进行修正，采用平方和为DTW的核函数，计算公式如下：
Figure 745906DEST_PATH_IMAGE061
将参考单体与被检测单体作为两个序列输入到修正的DTW中，计算两者的最优路径结果DS。
Figure 322381DEST_PATH_IMAGE062
本步骤的具体流程可见附图4。
6、设置阈值T，若最优路径结果
Figure 517258DEST_PATH_IMAGE063
大于阈值T，则认为该单体k为故障单体，反之， 认为当前单体k为正常单体，
Figure 597209DEST_PATH_IMAGE064
表示单体k的最优路径。本算法对于阈值的设定考虑了一定 的裕度，并且由于实际采集的电压值噪声过大，且各单体存在不一致性，在大量的验证下， 本算法的阈值T设定为
Figure 216410DEST_PATH_IMAGE065
式中，mean为当前时刻所有单体DS的平均值，std为当前时刻所有单体DS的标准 差，即T为1.3倍的
Figure 280181DEST_PATH_IMAGE066
原则。
算例：
现对本发明的使用进行一个简单的案例说明。
步骤一：选择传感器采集的某放电过程的电压数据。进行算法的第一步，判断数据是否满足算法需求。本案例将Num设置为100。本案例选择的电压数据采样点远大于100个数据点，因此该采样过程可以进行故障诊断。
步骤二：对该过程的电压数据进行数据清洗，本发明采用局部加权回归算法，能够有效的去除采样错误导致的数据异常，并能够保留故障特征。
步骤三：用于故障诊断的新特征提取，计算当前过程中所有单体的FEF特征值。
步骤四：将当前过程中的所有FEF特征值保存到一个特征存储器feature_A中。
Figure 10239DEST_PATH_IMAGE067
式中，
Figure 944697DEST_PATH_IMAGE068
表示当前窗口计算过程中第k个单体的FEF特征值。
步骤五：基于K-means聚类的方法选择计算参考单体。本算例选择特征矩阵feature_A前100个采样时刻中位于簇中心范围内的前两个单体的平均值。
步骤六：计算feature_A前100个时刻中每个时刻的簇中心值
Figure 378DEST_PATH_IMAGE069
，j=1,2,3…,100。
Figure 285866DEST_PATH_IMAGE070
步骤七：构建簇中心矩阵C
Figure 819615DEST_PATH_IMAGE071
式中，
Figure 874159DEST_PATH_IMAGE040
表示在第j个时刻，电池组中k个单体的簇中心值。
步骤八：设定一个区间半径
Figure 100741DEST_PATH_IMAGE072
，并令簇中心范围矩阵
Figure 607946DEST_PATH_IMAGE073
为
Figure 679807DEST_PATH_IMAGE046
在特征矩阵feature_A中，计算每个采样时刻属于
Figure 117086DEST_PATH_IMAGE073
的电池单体。
Figure 248990DEST_PATH_IMAGE074
记录当前100个时刻内所有符合要求的单体号N，并记录每个单体号出现的次数。
Figure 774649DEST_PATH_IMAGE049
M表示单体在100个时刻内符合要求的出现次数，选择M中前p个次数最多的单体号，本算例的p=2。求取平均值，即为该过程的理想单体。
Figure 446939DEST_PATH_IMAGE075
步骤九：假设求得该放电过程的理想曲线CL为
Figure 741654DEST_PATH_IMAGE076
步骤十：需要被检测的单体特征曲线为
Figure 778880DEST_PATH_IMAGE077
其中，
Figure 526256DEST_PATH_IMAGE055
表示第k个单体的FEF特征值，采样点为当前过程的所有数据，Ck表示循环 取每一个
Figure 205499DEST_PATH_IMAGE055
。
步骤十一：设置滑动窗口F_win=30。计算CL，Ck两者每个滑动窗口内最优路径结果
Figure 89142DEST_PATH_IMAGE078
；
步骤十二：计算检测单体k与参考单体L的DS
Figure 828427DEST_PATH_IMAGE079
；
步骤十三：本案例考虑到一定的裕度并设置自适应阈值T。
Figure 797520DEST_PATH_IMAGE080
；
步骤十四：故障单体诊断及定位。若在某个滑动窗口中计算k单体的DS时超过了阈值T，则认为当前单体k为故障电池单体。否则为正常电池单体。
图5a给出了某实际车辆电池单体间改进的DTW计算结果，加粗虚线表示阈值，加粗实线表示潜在故障单体#65。图5a的前300个采样时刻电池组未发生故障，改进的DTW结果基本都接近为0。在第200的采样时刻左右出现了小幅的波动，但是并没有单体电池超过阈值。而在第300个采样时刻，电池#65的DTW值超过了阈值T，算法报警，并可以容易的定位到故障电池。相比于未经过本发明所提方法处理的图5b，在第300个时刻的电压很难被BMS检测到。随着时间的推移，#65电池在后期才出现了相比于正常电池的细微压差。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (7)

1.一种新能源汽车动力电池组故障诊断方法，其特征在于，包括
获取电池组电压数据并对其进行数据清洗后进行FEF特征提取，从提取的FEF特征中确定放电参考曲线，放电参考曲线即为参考单体电池的放电参考曲线；具体是
获取电池组电压数据对其进行数据清洗后建立电压矩阵
Figure 743313DEST_PATH_IMAGE001
；
对电压矩阵
Figure 706459DEST_PATH_IMAGE001
利用FEF方法提取新的特征，FEF的计算公式如下：
Figure 282934DEST_PATH_IMAGE003
，
Figure 225613DEST_PATH_IMAGE004
表示第j采样时刻的所有单体平均电压值，
Figure 102302DEST_PATH_IMAGE005
表示第j时刻的第k个单体的电压值；保存每个单体在每个采样时刻下的FEF特征值，得到最 终的特征矩阵
Figure 239279DEST_PATH_IMAGE007
；
获取待测单体电池电压数据并对其进行数据清洗后进行FEF特征提取，获取待测电池放电曲线，将待测电池放电曲线与放电参考曲线进行比较并计算两者最优路径，并设置自适应阈值，若最优路径DS大于设定阈值T，则认为该单体k为故障单体。
2.根据权利要求1所述的一种新能源汽车动力电池组故障诊断方法，其特征在于，
构建由k个电池单体组成的动力电池组单体矩阵
Figure 568629DEST_PATH_IMAGE008
， n是采样时刻的次数；
基于K-means聚类的方法求取第j个时刻的k个单体中的簇中心点
Figure 580578DEST_PATH_IMAGE010
；
将K-means聚类的计算结果构建成一个簇中心矩阵C；
比较各时刻与簇中心值最相近的单体电池，该单体即为参考单体电池。
3.根据权利要求2所述的一种新能源汽车动力电池组故障诊断方法，其特征在于，
设定一个区间半径
Figure 311774DEST_PATH_IMAGE011
，并令簇中心范围矩阵
Figure 616722DEST_PATH_IMAGE012
为
Figure 167789DEST_PATH_IMAGE013
在特征矩阵
Figure 967118DEST_PATH_IMAGE014
中，寻找第j个时刻的，属于
Figure 37973DEST_PATH_IMAGE012
的电池单体；
Figure 264555DEST_PATH_IMAGE015
记录j个时刻内所有符合要求的单体号N，
Figure 820695DEST_PATH_IMAGE016
M表示单体在j时刻内符合要求的出现次数，选择M中前p个次数最多的单体号，求取平均值即为参考单体电池，即：
Figure 626977DEST_PATH_IMAGE018
其中，k_max为取M中前p个次数最多的单体号，
Figure 67186DEST_PATH_IMAGE019
为k_max单体的特征曲线，
Figure 215401DEST_PATH_IMAGE020
为 参考单体。
4.根据权利要求1所述的一种新能源汽车动力电池组故障诊断方法，其特征在于，定义 被检测的单体曲线为
Figure 741061DEST_PATH_IMAGE021
，计算两者的最优路径
Figure 865880DEST_PATH_IMAGE022
，
Figure 239224DEST_PATH_IMAGE024
表 示
Figure 73188DEST_PATH_IMAGE026
与
Figure 820564DEST_PATH_IMAGE028
的DTW算法计算结果；设置阈值T，若
Figure 29302DEST_PATH_IMAGE030
大于阈值T，则认为该单体k为故障单体， 反之，认为当前单体k为正常单体，
Figure 178524DEST_PATH_IMAGE031
表示单体k的最优路径；
Figure 934121DEST_PATH_IMAGE032
为单体放电过程的理想 曲线；
Figure 168793DEST_PATH_IMAGE033
被检测的单体曲线。
5.根据权利要求1所述的一种新能源汽车动力电池组故障诊断方法，其特征在于，阈值T设定为
Figure 635416DEST_PATH_IMAGE034
式中，mean为当前时刻所有单体DS的平均值，std为当前时刻所有单体DS的标准差，即T 为1.3倍的
Figure 170302DEST_PATH_IMAGE035
原则。
6.根据权利要求1所述的一种新能源汽车动力电池组故障诊断方法，其特征在于，
对采集到的电压数据进行判断，并且：
若数据采样点的数量小于Num个，则当前获取电池组电压数据无效；
若数据采样点的数量大于Num个，则利用局部加权回归算法对当前采集的电池组电压数据进行数据清洗，去除异常数据点。
7.一种新能源汽车动力电池组故障诊断系统，其特征在于，包括：
第一模块：被配置为用于获取电池组电压数据并对其进行数据清洗后进行FEF特征提取，从提取的FEF特征中确定放电参考曲线，放电参考曲线即为参考单体电池的放电参考曲线；具体是
获取电池组电压数据对其进行数据清洗后建立电压矩阵
Figure 80490DEST_PATH_IMAGE001
；
对电压矩阵
Figure 818770DEST_PATH_IMAGE001
利用FEF方法提取新的特征，FEF的计算公式如下：
Figure 105394DEST_PATH_IMAGE002
，
Figure 481405DEST_PATH_IMAGE004
表示第j采样时刻的所有单体平均电压值，
Figure 844385DEST_PATH_IMAGE005
表示第j时刻的第k个单体的电压值；保存每个单体在每个采样时刻下的FEF特征值，得 到最终的特征矩阵
Figure DEST_PATH_IMAGE036
；
第二模块：被配置为用于获取待测单体电池电压数据并对其进行数据清洗后进行FEF特征提取，获取待测电池放电曲线，将待测电池放电曲线与放电参考曲线进行比较并计算两者的最优路径值，并设置自适应阈值T，若最优路径DS大于设定阈值T，则认为该单体i为故障单体。
CN202211223879.7A 2022-10-09 2022-10-09 一种新能源汽车动力电池组故障诊断方法及系统 Active CN115308631B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211223879.7A CN115308631B (zh) 2022-10-09 2022-10-09 一种新能源汽车动力电池组故障诊断方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211223879.7A CN115308631B (zh) 2022-10-09 2022-10-09 一种新能源汽车动力电池组故障诊断方法及系统

Publications (2)

Publication Number Publication Date
CN115308631A CN115308631A (zh) 2022-11-08
CN115308631B true CN115308631B (zh) 2023-02-03

Family

ID=83866234

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211223879.7A Active CN115308631B (zh) 2022-10-09 2022-10-09 一种新能源汽车动力电池组故障诊断方法及系统

Country Status (1)

Country Link
CN (1) CN115308631B (zh)

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR3016218B1 (fr) * 2014-01-03 2016-01-01 Commissariat Energie Atomique Procede, dispositif et systeme d'estimation de l'etat de sante d'une batterie d'un vehicule electrique ou hybride en condition d'utilisation, et procede de construction d'un modele pour une telle estimation
KR20150121920A (ko) * 2014-04-22 2015-10-30 현대모비스 주식회사 차량용 배터리 센서 및 상기 센서를 이용한 계절 판단 방법
CN113203954A (zh) * 2021-04-26 2021-08-03 湖北工业大学 一种基于时频图像处理的电池故障诊断方法
CN113537525B (zh) * 2021-07-23 2022-07-15 四川大学 一种电池储能系统故障状态自适应预警方法
CN113391213B (zh) * 2021-07-30 2023-03-24 湖北工业大学 一种基于电池组一致性演变的电池微故障诊断方法
CN113962259B (zh) * 2021-10-11 2022-06-03 燕山大学 一种燃料电池系统多模式双层故障诊断方法
CN114487835B (zh) * 2022-01-17 2023-01-03 国网甘肃省电力公司经济技术研究院 一种粒子群优化birch算法的退役动力电池等级划分方法

Also Published As

Publication number Publication date
CN115308631A (zh) 2022-11-08

Similar Documents

Publication Publication Date Title
CN112092675B (zh) 一种电池热失控预警方法、系统及服务器
CN110703109B (zh) 一种基于修正样本熵的电池串多故障诊断方法及系统
CN111707951A (zh) 一种电池组一致性评估方法及系统
CN112906744A (zh) 一种基于孤立森林算法的故障单体电池识别方法
CN111551860B (zh) 一种基于弛豫电压特征的电池内短路诊断方法
CN112630660B (zh) 一种基于支持向量机的电池故障识别方法
CN110376530B (zh) 电池内短路检测装置及方法
CN111965547B (zh) 一种基于参数辨识法的电池系统传感器故障诊断方法
CN111562108A (zh) 一种基于cnn和fcmc的滚动轴承智能故障诊断方法
CN112098850B (zh) 基于sdo算法的锂离子电池电压故障诊断方法及系统
CN112147512A (zh) 一种锂离子电池短路与滥用故障的诊断及分离方法
CN112345955B (zh) 一种动力电池多故障在线诊断方法与系统
CN102521534B (zh) 一种基于粗糙熵属性约简的入侵检测方法
CN113406524B (zh) 一种动力电池系统的不一致性故障诊断方法及系统
CN115366683A (zh) 一种新能源汽车动力电池多维模型融合的故障诊断策略
CN115580445A (zh) 一种未知攻击入侵检测方法、装置和计算机可读存储介质
CN115327403A (zh) 基于新能源汽车大数据的动力电池安全性评价方法及装置
CN115327417A (zh) 一种动力电池单体异常的预警方法、系统及电子设备
CN116150572A (zh) 一种基于聚类分析的汽车电池单体一致性缺陷评估方法
CN113820615B (zh) 一种电池健康度检测方法与装置
CN111983464A (zh) 一种基于纯电动车用锂电池析锂测试方法
CN115308631B (zh) 一种新能源汽车动力电池组故障诊断方法及系统
CN116400244B (zh) 储能电池的异常检测方法及装置
CN117031294A (zh) 一种电池多故障检测方法、装置及存储介质
CN116643190A (zh) 一种锂电池健康状态实时监测方法及系统

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