CN115792634A - 一种基于云端在线数据的电池单体电压采样故障识别方法 - Google Patents
一种基于云端在线数据的电池单体电压采样故障识别方法 Download PDFInfo
- Publication number
- CN115792634A CN115792634A CN202211534251.9A CN202211534251A CN115792634A CN 115792634 A CN115792634 A CN 115792634A CN 202211534251 A CN202211534251 A CN 202211534251A CN 115792634 A CN115792634 A CN 115792634A
- Authority
- CN
- China
- Prior art keywords
- data
- voltage
- battery
- monomer
- difference
- 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
Images
Abstract
本发明一种基于云端在线数据的电池单体电压采样故障识别方法，包括如下步骤：S1：将车载端BMS数据通过T‑BOX上传到云端；S2：数据处理；S3：根据电压差分数据的Z分数寻找离群单体数据；S4：对于被判断为离群的单体数据，判断离群程度最高的两个电池单体号是否相邻，若是，转S5，若否，说明非采样故障；S5：判断为相邻单体出现离群的电压差分数据，判断其电压差分数据是否对称或近似对称分布，若是，说明采样故障，若否，说明非采样故障。本发明解决了因相邻单体电压出现的对称或近似对称变化的采样异常而导致电池管理系统出现故障误报的问题，能很好实现电动汽车运行过程中电池单体采样故障的识别与定位。
Description
技术领域
本发明属于新能源汽车动力电池技术领域，具体涉及一种基于云端在线数据的动力电池单体电压采样故障识别方法。
背景技术
动力电池是电动汽车的动力来源，是电动汽车中最核心和关键的部分，电池技术的好坏直接影响着电动汽车的整体性能，包括续航能力，动力性等，更影响着电动汽车的寿命和安全。电池管理系统的一个重要功能是准确测量动力电池单体电芯的电压值，该系统对于电池参数的计算(如SOC等)以及整车的正常运行具有重要作用。
随着端云融合技术的发展，车载端BMS数据可实时传输到云端储存与计算，基于云端的数据，能够实现对电池管理系统的在线实时检测和故障识别，保证电池安全可靠运行。比如发明专利202210854409.4动力电池故障预警系统及其控制方法、介质和电动车辆，通过上传到云端服务器的电池单体电压数据进行数据分析，确定是否存在电池单体电压故障。但是，电压传感器在电动汽车中，可能受到振动、高温等工作环境的影响，导致相邻单体电压数据出现对称或近似对称变化的采样异常现象，如发生上述现象，电池管理系统就会出现故障误报。
发明内容
本发明解决因相邻单体电压出现的对称或近似对称变化的采样异常而导致电池管理系统出现故障误报的问题，提供一种基于云端在线数据的动力电池单体电压采样故障识别方法，基于云端在线数据，实现电动汽车运行过程中电池单体采样故障的识别与定位。
本发明的技术方案如下：
一种基于云端在线数据的电池单体电压采样故障识别方法，包括如下步骤：
S1：将车载端BMS数据通过T-BOX上传到云端；
S2：数据处理：对云端收集到的数据进行数据清洗，并对某一时间段内的电池所有单体电压数据进行差分处理；
S3：根据电压差分数据的Z分数寻找离群单体数据；
S4：对于被判断为离群的单体数据，判断离群程度最高的两个电池单体号是否相邻，若是，转S5，若否，说明非采样故障；
S5：判断为相邻单体出现离群的电压差分数据，判断其电压差分数据是否对称或近似对称分布，若是，说明采样故障，若否，说明非采样故障。
优选地，S2中所述的差分处理是指对同一单体前后时刻的电压差分数据进行识别。
S3中所述的电压差分数据的Z分数的计算方法包括如下步骤：
S31：计算所有单体前后时刻电压差分数据diff_v和前后时刻电压差分数据中位数diff_v_median；
S32：计算步骤S31所述电压差分数据diff_v与中位数diff_v_median差值diff：diff＝diff_v-diff_v_median；
S33：计算步骤S32所述的差值diff的均值mean和标准差std；
S34：则Z分数计算公式如下：
其中Z代表Z分数，diff是上述步骤S32所述的差值diff，mean和std分别为上述步骤S33所述的差值diff的均值和标准差。
S3中所述的寻找离群单体数据的方法为：识别电池单体Z分数大于预设阈值的电池单体电压数据，对于电池单体Z分数大于预设阈值的电池单体电压数据，计算单体电压数据与每一时刻的平均电压的差值，并判断差值是否大于预设阈值，若差值大于阈值，则被判断为离群单体数据。
所述的电池单体电压预设阈值为6，单体电压数据与每一时刻的平均电压的差值的预设阈值为0.003V。
有益效果：
本发明提供了一种基于云端在线数据的电池单体电压采样故障识别方法，将车载端BMS数据通过T-BOX上传到云端，能够实现对电池管理系统的在线实时检测和故障识别；云端对收集到的数据进行数据清洗，去掉数据中异常和无效的数据，提高数据准确性；计算每个采样时刻电压差分数据的Z分数，根据Z分数寻找离群单体数据，与传统的直接设定阈值的方法相比更具有普适性，准确率更高，解决了机器学习等复杂算法复杂度过高的问题；判断离群程度最高的两个电池单体号是否相邻，若是，转进一步判断，若否，说明非采样故障，排除了相邻单体对判断结果的影响因素；进一步判断是判断其电压差分数据是否对称或近似对称分布，若是，说明采样故障，若否，说明非采样故障。上述手段解决了因相邻单体电压出现的对称或近似对称变化的采样异常而导致电池管理系统出现故障误报的问题，能很好实现电动汽车运行过程中电池单体采样故障的识别与定位，有效的减少现有技术存在的电池管理系统故障的误报率，提高了电池运行的稳定性和安全性。
对同一电池单体前后时刻的电压差分数据进行识别，有效去除了电池实际运行中由于不同电池单体SOC不一致引起的故障误报，提高了电池运行的稳定性和安全性。
离群单体数据的判断较为简单，普适性高，可操作性强。
附图说明
图1为本发明方案的流程图；
图2为发生采样故障的车辆电池部分采样时刻的电压数据图；
图3为发生采样故障的车辆电池部分采样时刻电压差分数据图。
具体实施方式
下面结合附图对本发明做进一步说明：
参见图1-3：本发明的方案流程如附图1所示，把电压数据上传云端，云端对数据进行单体电压差分处理，计算每个采样时刻电压差分数据的Z分数，并通过Z分数和diff(电压差分数据diff_v与其中位数diff_v_median差值)寻找离群单体数据，找到的离群单体数据判断是否有相邻单体出现，若否，说明非采样故障，若是继续判断相邻单体diff_v是否对称，若否，则说明非采样故障，若是则说明采样故障。具体的实施方式包括如下步骤：
S1：将车载端BMS数据通过T-BOX上传到云端；
S2：数据处理：云端对收集到的数据进行数据清洗，对云端收集到的某一时间段内的电池所有单体电压数据进行差分处理，具体是指同一单体后一时刻与前一时刻电压差值处理，进行电压差分处理之后消除了由于电池单体SOC不一致引起的单体电压离群现象，如附图2、3所示：附图2是电池电压数据，方框中标出的数据并未发生采样故障，但是由于单体SOC不一致电压数据也会有离群的现象产生，如果直接使用电压数据进行采样故障判断，则会有可能产生误报；如附图3所示，电压差分数据的方框内消除了这种电压数据离群的影响，电压差分数据不再离群；
S3：根据电压差分数据的Z分数寻找离群单体数据，所述的Z分数的计算方法包括如下步骤：
S31：计算所有单体前后时刻电压差分数据diff_v和前后时刻电压差分数据中位数diff_v_median；
S32：计算步骤S31所述电压差分数据diff_v与中位数diff_v_median差值diff：diff＝diff_v-diff_v_median；
S33：计算步骤S32所述的差值diff的均值mean和标准差std；
S34：则Z分数计算公式如下：
其中Z代表Z分数，diff是上述步骤S32所述的差值diff，mean和std分别为上述步骤S33所述的差值diff的均值和标准差；
所述的寻找离群单体数据的方法为：识别出电池单体Z分数大于预设阈值的电压数据，对于电池单体Z分数大于预设阈值的电池单体电压数据，其中所述的预设阈值的电池单体电压数据为6，计算单体电压数据与每一时刻的平均电压的差值diff，并判断电压差值diff是否大于预设阈值，所述的预设阈值为0.003V，若电压差值diff大于预设阈值0.003V，则被判断为离群单体数据；
S4：对于被判断为离群的单体数据，判断离群程度最高的两个电池单体号是否相邻，若是，转S5，若否，说明非采样故障；
S5：判断为相邻单体出现离群的电压差分数据，判断其电压差分数据是否对称或近似对称分布，若是，说明采样故障，若否，说明非采样故障。
为了测试算法的效果，本例准备了100辆车历史运行数据集，其中包含30辆采样故障车辆数据、20辆其他故障车辆数据、50辆正常车辆数据。测试结果如表1所示：
表1
Claims (7)
1.一种基于云端在线数据的电池单体电压采样故障识别方法，其特征在于，包括如下步骤：
S1：将车载端BMS数据通过T-BOX上传到云端；
S2：数据处理：对云端收集到的数据进行数据清洗，并对某一时间段内的电池所有单体电压数据进行差分处理；
S3：根据电压差分数据的Z分数寻找离群单体数据；
S4：对于被判断为离群的单体数据，判断离群程度最高的两个电池单体号是否相邻，若是，转S5，若否，说明非采样故障；
S5：判断为相邻单体出现离群的电压差分数据，判断其电压差分数据是否对称或近似对称分布，若是，说明采样故障，若否，说明非采样故障。
2.根据权利要求1所述的一种基于云端在线数据的电池单体电压采样故障识别方法，其特征在于，S2中所述的差分处理是指对同一单体前后时刻的电压差分数据进行识别。
3.根据权利要求1或2所述的一种基于云端在线数据的电池单体电压采样故障识别方法，其特征在于，S3中所述的电压差分数据的Z分数的计算方法包括如下步骤：
S31：计算所有单体前后时刻电压差分数据diff_v和前后时刻电压差分数据中位数diff_v_median；
S32：计算步骤S31所述电压差分数据diff_v与中位数diff_v_median差值diff：diff＝diff_v-diff_v_median；
S33：计算步骤S32所述的差值diff的均值mean和标准差std；
S34：则Z分数计算公式如下：
其中Z代表Z分数，diff是上述步骤S32所述的差值diff，mean和std分别为上述步骤S33所述的差值diff的均值和标准差。
4.根据权利要求1或2所述的一种基于云端在线数据的电池单体电压采样故障识别方法，其特征在于，S3中所述的寻找离群单体数据的方法为：识别电池单体Z分数大于预设阈值的电池单体电压数据，对于电池单体Z分数大于预设阈值的电池单体电压数据，计算单体电压数据与每一时刻的平均电压的差值，并判断差值是否大于预设阈值，若差值大于阈值，则被判断为离群单体数据。
5.根据权利要求3所述的一种基于云端在线数据的电池单体电压采样故障识别方法，其特征在于，S3中所述的寻找离群单体数据的方法为：识别电池单体Z分数大于预设阈值的电池单体电压数据，对于电池单体Z分数大于预设阈值的电池单体电压数据，计算单体电压数据与每一时刻的平均电压的差值，并判断差值是否大于预设阈值，若差值大于阈值，则被判断为离群单体数据。
6.根据权利要求4所述的一种基于云端在线数据的电池单体电压采样故障识别方法，其特征在于，电池单体电压预设阈值为6，单体电压数据与每一时刻的平均电压的差值的预设阈值为0.003V。
7.根据权利要求5所述的一种基于云端在线数据的电池单体电压采样故障识别方法，其特征在于，电池单体电压预设阈值为6，单体电压数据与每一时刻的平均电压的差值的预设阈值为0.003V。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211534251.9A CN115792634A (zh) | 2022-12-02 | 2022-12-02 | 一种基于云端在线数据的电池单体电压采样故障识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211534251.9A CN115792634A (zh) | 2022-12-02 | 2022-12-02 | 一种基于云端在线数据的电池单体电压采样故障识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115792634A true CN115792634A (zh) | 2023-03-14 |
Family
ID=85444727
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211534251.9A Pending CN115792634A (zh) | 2022-12-02 | 2022-12-02 | 一种基于云端在线数据的电池单体电压采样故障识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115792634A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116299019A (zh) * | 2023-04-13 | 2023-06-23 | 合肥国轩高科动力能源有限公司 | 锂电池数据采集异常识别方法、系统、存储介质及设备 |
-
2022
- 2022-12-02 CN CN202211534251.9A patent/CN115792634A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116299019A (zh) * | 2023-04-13 | 2023-06-23 | 合肥国轩高科动力能源有限公司 | 锂电池数据采集异常识别方法、系统、存储介质及设备 |
| CN116299019B (zh) * | 2023-04-13 | 2024-04-02 | 合肥国轩高科动力能源有限公司 | 锂电池数据采集异常识别方法、系统、存储介质及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114559819B (zh) | 一种基于信号处理的电动汽车电池安全预警方法 | |
| CN113696786B (zh) | 电池均衡方法及系统 | |
| CN112345955B (zh) | 一种动力电池多故障在线诊断方法与系统 | |
| CN113933732A (zh) | 新能源汽车动力电池健康状态分析方法、系统及存储介质 | |
| CN114487856A (zh) | 换电站电池的热失控预警方法及系统 | |
| CN115792634A (zh) | 一种基于云端在线数据的电池单体电压采样故障识别方法 | |
| CN111579121A (zh) | 基于大数据在线诊断新能源汽车电池包内温度故障的方法 | |
| CN115236524A (zh) | 一种新能源汽车动力电池的绝缘故障检测方法及系统 | |
| Li et al. | A novel method for lithium-ion battery fault diagnosis of electric vehicle based on real-time voltage | |
| CN115219903A (zh) | 基于车联网数据分析的电池自放电率异常判断方法及装置 | |
| CN114325433A (zh) | 基于电化学阻抗谱测试的锂离子电池故障检测方法和系统 | |
| CN113687251A (zh) | 一种基于双模型的锂离子电池组电压异常故障诊断方法 | |
| CN114879054A (zh) | 一种电池安全监测方法、装置、电子设备及存储介质 | |
| 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 | |
| CN115128468A (zh) | 一种化学储能电池phm欠压故障预测方法 | |
| CN114037098A (zh) | 电动车辆运营安全与维保智慧管理系统 | |
| 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 | |
| CN113609964A (zh) | 一种电机异常振动预警方法及系统 | |
| CN113391214A (zh) | 一种基于电池充电电压排名变化的电池微故障诊断方法 | |
| Shen et al. | Detection and quantitative diagnosis of micro-short-circuit faults in lithium-ion battery packs considering cell inconsistency | |
| CN112363432A (zh) | 一种水电站辅助设备的监测系统及监测方法 | |
| Wu et al. | Research on short-circuit fault-diagnosis strategy of lithium-ion battery in an energy-storage system based on voltage cosine similarity | |
| Fang et al. | Implementation of Power Battery Voltage Fault Diagnosis System Based on Improved Shannon Entropy Algorithm | |
| CN117341476B (zh) | 一种电池压差故障预警方法及系统 | |
| Ren et al. | Multi-fault diagnosis strategy based on a non-redundant interleaved measurement circuit and improved fuzzy entropy for the battery system |
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 |