CN115792681A - 一种基于车联网大数据平台的单体电池一致性检测算法 - Google Patents
一种基于车联网大数据平台的单体电池一致性检测算法 Download PDFInfo
- Publication number
- CN115792681A CN115792681A CN202210194500.8A CN202210194500A CN115792681A CN 115792681 A CN115792681 A CN 115792681A CN 202210194500 A CN202210194500 A CN 202210194500A CN 115792681 A CN115792681 A CN 115792681A
- Authority
- CN
- China
- Prior art keywords
- sequence
- voltage
- voltage sequence
- detection algorithm
- single 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.)
- Pending
Links
Images
Landscapes
- Tests Of Electric Status Of Batteries (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种基于车联网大数据平台的单体电池一致性检测算法,包括如下步骤:S1、接收数据并预处理;S2、利用已训练的隐马尔可夫模型判断待检测电压区间段;S3、提取各单体电压序列特征点附近的子序列,计算对应子序列之间的马氏距离;S4、用孤立森林算法对特征子序列构成的特征矩阵做异常检测;S5、分别对最高单体电压序列和最低单体电压序列与平均电压序列做KS检验;S6、计算异常单体电压序列与平均单体电压序列之间的Wasserstein距离;避免依靠检测某单点时刻电压测量值的误差、噪声和时延,可消除单点时刻的噪声和误差,避免全时间序列距离计算中大量相同子序列的干扰,计算量较全时间序列的距离计算和基本的基于暴力搜索的shapelet搜索算法极大的减小。
Description
技术领域
本发明涉及电池检测技术领域,尤其涉及一种基于车联网大数据平台的单体电池一致性检测算法。
背景技术
锂离子电池广泛地应用于新能源汽车和规模储能等领域。随充放电循环过程,不同使用环境、使用时间和使用工况等因素会显著影响电池性能,单体电池间的不一致性会增大,电池组性能将随之衰退,进而降低整体使用寿命。因此,可靠的一致性检测技术,是确保电池组使用过程中保持良好一致性的关键,对提高电池组运行性能与安全性,延长使用寿命,有重要作用。
现有技术中,基于BMS的单体电池一致性检测,因硬件算力条件有限,一般根据最高单体电压和最低单体电压的某一时刻的均值、方差、斜度、差值的阈值等统计指标来判断是否单体压差过大,或采用单一简单聚类算法判别异常,往往仅简单评价各单体电池间在各离散时刻的电压差异,虽可在一定程度上表征各单体电池间的一致性,但容易受到测量时延、噪声、环境温度等干扰因素影响,而且所有电芯数据不是在同一时刻采集并上传的,在上传的同一帧数据中最后一节电芯比第一节电芯所采集的数据晚100ms左右, 得到的数据序列时间轴往往是异步的,很难直接进行比对,导致难以真实刻画电池组内单体电池本征特性,误差较大。现有数据在通过故障聚类进行异常数据辨识时,往往采用距离法直接确定故障数据,然而故障点的聚类距离阈值一般通过经验估计给出,存在很大的偶然性,一旦聚类点集划定得过大或过小,就很容易导致故障预警的误报,缺乏对单体电池一段时间单体电压差异的综合评价指标, 计算得到的一致性评测指标不够全面。一般检测一段时间的整段时间子序列,搜索所有可能的时间子序列来区分异常电芯电压,计算量大且不易发现少数关键点的单体电池差异。
例如,一种在中国专利文献上公开的“一种电池级组一致性的监测方法”,其公告号:CN112068007A,公开了通过检测电池级组的电压降来进行一致性筛选,具有上述缺陷。
发明内容
为此,本发明提供一种基于车联网大数据平台的单体电池一致性检测算法,通过检测车辆放电过程中一段时间片段的单体电压放电序列,避免了依靠检测某单点时刻电压测量值的误差、噪声和时延,可消除单点时刻的噪声和误差等问题, 聚焦易发生异常的子序列区间避免全时间序列距离计算中大量相同子序列的干扰,极大减少了计算量。
为了实现上述目的,本发明提供如下技术方案:
一种基于车联网大数据平台的单体电池一致性检测算法,包括如下步骤:
S1、接收数据并预处理;
S2、利用已训练的隐马尔可夫模型判断待检测电压区间段
S3、提取各单体电压序列特征点附近的子序列,计算对应子序列之间的马氏距离;
S4、用孤立森林算法对特征子序列构成的特征矩阵做异常检测;
S5、分别对最高单体电压序列和最低单体电压序列与平均电压序列做KS检验;
S6、计算异常单体电压序列与平均单体电压序列之间的Wasserstein距离。通过构建无监督shapelet马氏距离的特征矩阵,使用孤立森林算法检测电压变化动态趋势,采用KS检验和wasserstein距离对电芯电压在检测时间窗口内提供综合的评定指标。
作为优选的,所述S1中包括从消息队列中接受数据流,在一定时间窗口内获取各车辆单体电池电压数据。能够快捷的批量获取数据,提高了检测效率。
作为优选的,S1还包括对所有在线车辆的单体电芯电压信号进行检测并获得参数矩阵,对需关注车辆的行驶中的单体电压每帧数据Ui形成滑动观测窗口矩阵。通过隐马尔可夫模型判别可避免人为指定固定区间不能较准确的覆盖每台车每个单体的待测区间。
作为优选的,S2中包括若干循环样本的电压和SOC作为输入变量,训练有监督的隐马尔可夫模型,输出标签为对应的区间段,记为s1,s2,s3;训练好的模型可通过输入电池总电压和SOC自动判断电池放电区间段,在中段s2开启检测算法。其中包括利用最大似然估计算法进行训练。
作为优选的,所述S3中包括:提取平均单体电压序列Smean和各单体电池电压时间序列Si ∈ [S1,S2……Sn]特征点前后约1分钟的区间作为shapelet候集。通过无监督的shapelet提取,可以对齐异步信号。计算时间窗口内每时刻单体电池平均电压Vmean_i,,形成平均单体电压序列Smean,i∈[1,t]。特征点是指序列中最大值点Vmax、最小值点Vmin、均值点(或最接近均值的点)Vmin,时序一阶导数(或最接近)零点dV0,时序一阶导数最大值点dVmax,时序一阶导数最小值点dVmin,时序二阶导数(或最接近)零点ddV0, 时序二阶导数最大值点ddVmax,时序二阶导数最小值点ddVmin。
作为优选的,S3包括对shapelet候集继续数据处理,并计算每个单体电池特征子序列集合与平均电压特征子序列集合中同种特征的子序列的马氏距离MD。只提取单体电压时间序列关键点附近的子序列计算距离,降低了计算量。继续数据处理包括,如果序列中某一种特征点的个数k>=2个,则取这种特征点的第一个和最后一个时刻点的特征;如果序列中没有某一种特征点,则该序列的这一种特征点t_sub的替代方法为:有这种特征点的其他序列的该特征的时刻[tf_k,tf_l……tf_n]的平均值tf_mean在该序列上的取值。若所有序列都无某类特征点,则去除这类特征点。即对每个单体电池电压序列,每类特征点的取值最少为空值,最多为2个,在特征点附近前后提取若干时长的子序列片段,对平均电压序列Smean和每个单体电池电压序列Si,提取特征子序列集合SSi={ss1,ss2,……ssp},p为所有单体电池电压序列中提取特征点数的最大值。聚焦易发生异常的子序列区间避免全时间序列距离计算中大量相同子序列的干扰。所用的特征点shapelet提取和基于马氏距离的异常检测算法可消除单点时刻的噪声和误差等问题。
作为优选的,S4中包括调节算法中参数,调节参数包括树的最大高度和树的数量。基于马氏距离的孤立森林算法可准确的检出异常电芯。
作为优选的,所述S5中包括检验S3及S4中最高单体电压序列和平均电压序列,对最低单体电池电压序列和平均电压序列检验。通过KS双样本检验对最高单体电压序列和最低单体电压序列的差异给出概率估计。KS检验可快速对电芯电压分布偏移量计算采用的wassastein距离提供了一段时间电芯电压差异的一种累计指标,为后续电芯均衡控制提供一种可靠的反馈量。
作为优选的,所述S6中包括对S3中检验异常计算异常单体电压序列与平均电压序列的wasserstein 距离,对S4中检验异常计算最高或最低单体电压序列与平均单体电压序列的wasserstein 距离。通过计算shapelet之间马氏距离,可更显著的区分异常shaplets,提高检测准确率,降低误检率。能够对单体电芯一段时间的电压差异采用wasserstein距离度量来衡量。
本发明具有如下优点:
(1)通过检测车辆放电过程中一段时间片段的单体电压放电序列,避免了依靠检测某单点时刻电压测量值的误差、噪声和时延。所用的特征点shapelet提取和基于马氏距离的异常检测算法可消除单点时刻的噪声和误差等问题, 聚焦易发生异常的子序列区间避免全时间序列距离计算中大量相同子序列的干扰,基于马氏距离的孤立森林算法可准确的检出异常电芯;(2)计算量较全时间序列的距离计算和基本的基于暴力搜索的shapelet搜索算法极大的减小;(3)KS检验可快速对电芯电压分布偏移量计算采用的wassastein距离提供了一段时间电芯电压差异的一种累计指标,为后续电芯均衡控制提供一种可靠的反馈量。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述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示例性的,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图引伸获得其它的实施附图。
图1是本发明的方法步骤图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式,熟悉此技术的认识可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效,显然,所描述的实施例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。
如图 1所示,在一个较佳的实施例中,本发明公开了一种基于车联网大数据平台的单体电池一致性检测算法,包括如下步骤:
1.利用大数据处理框架spark 的streaming批处理功能,Spark streaming 从消息队列kafka中接受数据流,在一定时间窗口内获取各车辆单体电池电压数据,可分为排查模式和跟踪模式。排查模式: 在当前时间前的窗口时间内,对所有在线车辆的单体电芯电压信号进行检测。对每辆车时间窗口内单体电芯电压形成n*t的矩阵[U1,U2……Ut],其中Ui=[u1,u2,……un],i∈[1,t], n为电池包中单体电池数量,t为时间窗口长度, 转置后变为t*n的矩阵[S1,S2……Sn]每一列Si=[ v1,v2,……vt]对应一个电芯的各时间点的电压值。跟踪模式:创建固定最大长度的矩阵[U1,U2……Ut], 其中t为时间窗口长度,Ui=[u1,u2,……un],对需关注车辆的行驶中的单体电压每帧数据Ui形成滑动观测窗口。
2.通过人工标注电池放电过程中电压的高中低区间段,若干循环样本的电压和SOC作为输入变量,训练有监督的隐马尔可夫模型,输出标签为对应的区间段,记为s1,s2,s3,区间段的标签对应隐马尔可夫模型的隐状态,通过最大似然估计算法. 训练好的模型可通过输入电池总电压和SOC自动判断电池放电区间段,在中段s2开启检测算法。
3.计算时间窗口内每时刻单体电池平均电压Vmean_i, 形成平均单体电压序列Smean,i∈[1,t]。
4.提取平均单体电压序列Smean和各单体电池电压时间序列Si ∈ [S1,S2……Sn]特征点前后约1分钟区间的来提取子序列作为shapelet候集,特征点是指序列中最大值点Vmax、最小值点Vmin、均值点(或最接近均值的点)Vmin,时序一阶导数(或最接近)零点dV0,时序一阶导数最大值点dVmax,时序一阶导数最小值点dVmin,时序二阶导数(或最接近)零点ddV0, 时序二阶导数最大值点ddVmax,时序二阶导数最小值点ddVmin等。
5.如果序列中某一种特征点的个数k>=2个,则取这种特征点的第一个和最后一个时刻点的特征;如果序列中没有某一种特征点,则该序列的这一种特征点t_sub的替代方法为:有这种特征点的其他序列的该特征的时刻[tf_k,tf_l……tf_n]的平均值tf_mean在该序列上的取值。若所有序列都无某类特征点,则去除这类特征点。即对每个单体电池电压序列,每类特征点的取值最少为空值,最多为2个。
6.经过以上数据处理后,在特征点附近前后提取若干时长的子序列片段,对平均电压序列Smean和每个单体电池电压序列Si,提取特征子序列集合SSi={ss1,ss2,……ssp},p为所有单体电池电压序列中提取特征点数的最大值。
7.计算每个单体电池特征子序列集合与平均电压特征子序列集合中同种特征的子序列的马氏距离MD(SSi,SSmean),形成各单体电压特征距离矩阵M,即[MD1, MD2, …MDn]T, MDi = [D1,D2…Dp], n为单体电池数, p为提取的特征数。
8.使用孤立森林算法对特征距离矩阵做异常检测,调节算法中参数:树的最大高度和数的数量,到合适的数值,以适当的异常分数为标准给出异常检测的结果。
9.使用Kolmogorov-Smironv 双样本检验 对最高单体电压序列和平均电压序列检验,可与7-8步同时使用,对最低单体电池电压序列和平均电压序列检验,以合适的置信度阈值来检测累计经验函数KS统计量作为判断最高或最低单体电压与平均单体电压的数据分布是否异同。
10.第8步中检测中检出异常,对异常结果计算异常单体电压序列与平均电压序列的wasserstein 距离;若第9步中检出异常结果,计算最高或最低单体电压序列与平均单体电压序列的wasserstein 距离。
在另一个实施例中,本发明计算u-shapelets 相似度时,还可采用欧式距离或动态时域规整(DTW)距离来作为相似度计算的度量。在对shaplets距离特征矩阵异常检测时还可以采用一类支持向量机、局部离群因子(LOF)或椭圆模型拟合在计算单体电池电压序列分布的差异性时,还可以采用JS散度或KL散度。
虽然,上文中已经用一般性说明及具体实施例对本发明作了详尽的描述,但在本发明基础上,可以对之作一些修改或改进,这对本领域技术人员而言是显而易见的。因此,在不偏离本发明精神的基础上所做的这些修改或改进,均属于本发明要求保护的范围。
Claims (9)
1.一种基于车联网大数据平台的单体电池一致性检测算法,其特征在于,包括如下步骤:
S1、接收数据并预处理;
S2、利用已训练的隐马尔可夫模型判断待检测电压区间段
S3、提取各单体电压序列特征点附近的子序列,计算对应子序列之间的马氏距离;
S4、用孤立森林算法对特征子序列构成的特征矩阵做异常检测;
S5、分别对最高单体电压序列和最低单体电压序列与平均电压序列做KS检验;
S6、计算异常单体电压序列与平均单体电压序列之间的Wasserstein距离。
2.根据权利要求1所述的一种基于车联网大数据平台的单体电池一致性检测算法,其特征在于,所述S1中包括从消息队列中接受数据流,在一定时间窗口内获取各车辆单体电池电压数据。
3.根据权利要求2所述的一种基于车联网大数据平台的单体电池一致性检测算法,其特征在于,S1还包括对所有在线车辆的单体电芯电压信号进行检测并获得参数矩阵,对需关注车辆的行驶中的单体电压每帧数据Ui形成滑动观测窗口矩阵。
4.根据权利要求1或3所述的一种基于车联网大数据平台的单体电池一致性检测算法,其特征在于,S2中包括若干循环样本的电压和SOC作为输入变量,训练有监督的隐马尔可夫模型,输出标签为对应的区间段,记为s1,s2,s3;练好的模型可通过输入电池总电压和SOC自动判断电池放电区间段,在中段s2开启检测算法。
5.根据权利要求4所述的一种基于车联网大数据平台的单体电池一致性检测算法,其特征在于,所述S3中包括:提取平均单体电压序列Smean和各单体电池电压时间序列Si ∈[S1,S2……Sn]特征点前后约1分钟的区间作为shapelet候集。
6.根据权利要求5所述的一种基于车联网大数据平台的单体电池一致性检测算法,其特征在于,S3包括对shapelet候集继续数据处理,并计算每个单体电池特征子序列集合与平均电压特征子序列集合中同种特征的子序列的马氏距离MD。
7.根据权利要求1或6所述的一种基于车联网大数据平台的单体电池一致性检测算法,其特征在于,S4中包括调节算法中参数,调节参数包括树的最大高度和树的数量。
8.根据权利要求7所述的一种基于车联网大数据平台的单体电池一致性检测算法,其特征在于,所述S5中包括检验S3及S4中最高单体电压序列和平均电压序列,对最低单体电池电压序列和平均电压序列检验。
9.根据权利要求1或7所述的一种基于车联网大数据平台的单体电池一致性检测算法,其特征在于,所述S6中包括对S3中检验异常计算异常单体电压序列与平均电压序列的wasserstein 距离,对S4中检验异常计算最高或最低单体电压序列与平均单体电压序列的wasserstein 距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210194500.8A CN115792681A (zh) | 2022-03-01 | 2022-03-01 | 一种基于车联网大数据平台的单体电池一致性检测算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210194500.8A CN115792681A (zh) | 2022-03-01 | 2022-03-01 | 一种基于车联网大数据平台的单体电池一致性检测算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115792681A true CN115792681A (zh) | 2023-03-14 |
Family
ID=85431053
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210194500.8A Pending CN115792681A (zh) | 2022-03-01 | 2022-03-01 | 一种基于车联网大数据平台的单体电池一致性检测算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115792681A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116626505A (zh) * | 2023-07-21 | 2023-08-22 | 江苏海平面数据科技有限公司 | 一种基于车联网大数据的电池组一致性异常检测方法 |
CN116819347A (zh) * | 2023-08-30 | 2023-09-29 | 北京理工大学 | 基于短时间放电数据的电池容量估计方法、系统及介质 |
CN117370906A (zh) * | 2023-08-21 | 2024-01-09 | 长江生态环保集团有限公司 | 基于单点和时间序列异常检测的爆管检测及性能评估方法 |
CN117421687A (zh) * | 2023-12-18 | 2024-01-19 | 圣道天德电气(山东)有限公司 | 一种数字化电力环网柜运行状态监测方法 |
-
2022
- 2022-03-01 CN CN202210194500.8A patent/CN115792681A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116626505A (zh) * | 2023-07-21 | 2023-08-22 | 江苏海平面数据科技有限公司 | 一种基于车联网大数据的电池组一致性异常检测方法 |
CN116626505B (zh) * | 2023-07-21 | 2023-10-13 | 江苏海平面数据科技有限公司 | 一种基于车联网大数据的电池组一致性异常检测方法 |
CN117370906A (zh) * | 2023-08-21 | 2024-01-09 | 长江生态环保集团有限公司 | 基于单点和时间序列异常检测的爆管检测及性能评估方法 |
CN117370906B (zh) * | 2023-08-21 | 2024-05-10 | 长江生态环保集团有限公司 | 基于单点和时间序列异常检测的爆管检测及性能评估方法 |
CN116819347A (zh) * | 2023-08-30 | 2023-09-29 | 北京理工大学 | 基于短时间放电数据的电池容量估计方法、系统及介质 |
CN117421687A (zh) * | 2023-12-18 | 2024-01-19 | 圣道天德电气(山东)有限公司 | 一种数字化电力环网柜运行状态监测方法 |
CN117421687B (zh) * | 2023-12-18 | 2024-03-15 | 圣道天德电气(山东)有限公司 | 一种数字化电力环网柜运行状态监测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115792681A (zh) | 一种基于车联网大数据平台的单体电池一致性检测算法 | |
CN112527788B (zh) | 变压器监测数据异常值检测与清洗的方法及装置 | |
CN112731159B (zh) | 一种储能电站电池舱电池故障预判及定位的方法 | |
CN111353482A (zh) | 一种基于lstm的疲劳因子隐性异常检测及故障诊断方法 | |
CN111766462B (zh) | 一种基于v-i轨迹的非侵入式负荷识别方法 | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
CN111257755B (zh) | 一种预防性检测诊断电池包方法 | |
CN113447828B (zh) | 一种基于贝叶斯神经网络的锂电池温度估计方法及系统 | |
CN112327192B (zh) | 一种基于曲线形态的电池容量跳水现象识别方法 | |
CN116522268B (zh) | 一种配电网的线损异常识别方法 | |
CN114545234A (zh) | 一种基于电池温度梯度变化监测电池状态的方法 | |
CN112327189B (zh) | 一种基于knn算法的储能电池健康状态综合判断方法 | |
CN111504647A (zh) | 基于ar-mset的滚动轴承的性能退化评估方法 | |
CN115496108A (zh) | 一种基于流形学习和大数据分析的故障监测方法及系统 | |
CN114118219A (zh) | 基于数据驱动的长期加电设备健康状态实时异常检测方法 | |
CN115327417A (zh) | 一种动力电池单体异常的预警方法、系统及电子设备 | |
CN115877205A (zh) | 一种伺服电机的故障智能诊断系统及其诊断方法 | |
CN113791350A (zh) | 电池故障预测方法 | |
CN116796271A (zh) | 一种居民用能异常识别方法 | |
CN112287979B (zh) | 一种基于互信息的储能电池状态判定方法 | |
CN111046790A (zh) | 一种泵轴承故障诊断方法 | |
CN114460481A (zh) | 基于Bi-LSTM和注意力机制的储能电池热失控预警方法 | |
CN114036647A (zh) | 一种基于实车数据的动力电池安全风险评估方法 | |
CN117365869A (zh) | 一种风电机组桨叶扫塔故障的自适应预警策略设计方法 | |
CN113157761B (zh) | 一种基于关联规则挖掘的电动汽车充放电故障分析方法 |
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 |