CN115877215B - 电池包状态检测方法及相关装置 - Google Patents
电池包状态检测方法及相关装置 Download PDFInfo
- Publication number
- CN115877215B CN115877215B CN202211165653.6A CN202211165653A CN115877215B CN 115877215 B CN115877215 B CN 115877215B CN 202211165653 A CN202211165653 A CN 202211165653A CN 115877215 B CN115877215 B CN 115877215B
- Authority
- CN
- China
- Prior art keywords
- state
- statistical
- battery
- score
- battery pack
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 54
- 230000036541 health Effects 0.000 claims abstract description 41
- 230000006866 deterioration Effects 0.000 claims abstract description 28
- 230000008859 change Effects 0.000 claims abstract description 26
- 230000002159 abnormal effect Effects 0.000 claims description 69
- 238000000034 method Methods 0.000 claims description 29
- 230000005856 abnormality Effects 0.000 claims description 19
- 238000012544 monitoring process Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 9
- 230000000875 corresponding effect Effects 0.000 claims description 9
- 230000002596 correlated effect Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 description 23
- 238000004891 communication Methods 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 239000000178 monomer Substances 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 239000000306 component Substances 0.000 description 4
- 230000003862 health status Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 208000032953 Device battery issue Diseases 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 102000006822 Agouti Signaling Protein Human genes 0.000 description 1
- 108010072151 Agouti Signaling Protein Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Landscapes
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Secondary Cells (AREA)
Abstract
本申请提供一种电池包状态检测方法及相关装置中,获取电池包与连续多个统计时刻一一对应的多个风险评分,并根据所述多个风险评分随所述多个统计时刻的变化速率,确定所述电池包的健康恶化速率,若在所述健康恶化速率超过告警阈值时,发出预警信息;从而实现感知电池包长时间范围内的变化趋势和安全演化规律。
Description
技术领域
本申请涉及电动车领域,具体而言,涉及一种电池包状态检测方法及相关装置。
背景技术
电动汽车动力电池作为车辆的动力来源和核心部件,其安全性是电动汽车安全稳定运行的基本,因此,动力电池的安全性监测和安全预警算法一直都是电池管理系统(Battery Management System,BMS)以及云端平台算法开发的研究热点。而动力电池的电化学特性复杂、反应安全信息的外部特征较为隐蔽、以及电池失效和热失控过程迅速难以提前预警等都是电池安全性监测难点。
目前针对电动车中电池的安全预警,主要通过横向对比电池单体间差异性确认离群点的方式来获得预警结果,此类方法主要提取了不同单体间在同一时刻的不一致性作为电池失效风险水平和安全性降低的指示。然而,研究发现,该方法无法感知电池长时间范围内的变化趋势和安全演化规律。
发明内容
为了克服现有技术中的至少一个不足,本申请提供一种电池包状态检测方法及相关装置,用于获取目标电池在长时间范围内的变化区域。其中,该电池包状态检测方法及相关装置具体包括:
第一方面,本申请提供一种电池包状态检测方法,所述方法包括:
将获取的电池包监测数据以预设的风险评分规则进行处理,获得所述电池包在连续多个统计时刻的多个风险评分,其中,所述多个风险评分与所述多个统计时刻一一对应;
根据所述多个风险评分随所述多个统计时刻的变化速率,确定所述电池包的健康恶化速率;
在所述健康恶化速率超过告警阈值时,发出预警信息。
第二方面,本申请提供一种电池包状态检测装置,所述装置包括:
评分获取模块,用于将获取的电池包监测数据以预设的风险评分规则进行处理,获得所述电池包在连续多个统计时刻的多个风险评分,其中,所述多个风险评分与所述多个统计时刻一一对应;
趋势预估模块,用于根据所述多个风险评分随所述多个统计时刻的变化速率,确定所述电池包的健康恶化速率;
健康告警模块,用于在所述健康恶化速率超过告警阈值时,发出预警信息。
第三方面,本申请提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时,实现本申请任一实施例所提供的电池包状态检测方法。
第四方面,本申请提供一种异常检测设备,所述异常检测设备包括处理器以及存储器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,实现本申请任一实施例所提供的电池包状态检测方法。
相对于现有技术而言,本申请具有以下有益效果:
本实施例提供一种电池包状态检测方法及相关装置中,获取电池包与连续多个统计时刻一一对应的多个风险评分,并根据所述多个风险评分随所述多个统计时刻的变化速率,确定所述电池包的健康恶化速率,在所述健康恶化速率超过告警阈值时,发出预警信息;从而实现感知电池包长时间范围内的变化趋势和安全演化规律。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的电池包状态检测方法的流程图;
图2A-图2C为本申请实施例提供的电池电压的偏离量统计图表;
图3A-图3C为本申请实施例提供的电池温度的偏离量统计图表;
图4为本申请实施例提供的风险评分长周期统计曲线;
图5为本申请实施例提供的电池包状态检测装置的结构示意图;
图6为本申请实施例提供的异常检测设备的结构示意图。
图标:201-评分获取模块;202-趋势预估模块;203-健康告警模块;320-存储器;330-处理器;340-通信单元。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本申请的描述中,需要说明的是,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。此外,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
基于以上声明,研究发现,鉴于现有电动汽车实车数据质量不稳定、数据无标签等情况,安全预警算法主要通过横对比电池单体间差异性确认离群点的方式获得预警结果,此类方法主要提取了不同单体间在同一时刻的不一致性作为电池失效风险水平和安全性降低的指示,而忽略了每个单体在长周期时间尺度上的安全性变化趋势和演化路径,无法实现较长周期的安全预警以及时间尺度上的风险评估结果的输出。因此,目前需要一种能够综合考虑动力电池一致性差异与长周期风险变化趋势和安全演化规律的风险评估方法。
需要注意的是,以上现有技术中的方案所存在的缺陷,均是发明人在经过实践并仔细研究后得出的结果,因此,上述问题的发现过程以及下文中本申请实施例针对上述问题所提出的解决方案,都应该是发明人在发明创造过程中对本申请做出的贡献,而不应当理解为本领域技术人员所公知的技术内容。
研究进一步发现,在大数据快速发展背景下,数据驱动和机器学习的安全预警算法被深入研究,因此,本实施例基于大数据背景下,提供一种电池包状态检测方法。该方法中,获取电池包与连续多个统计时刻一一对应的多个风险评分,并根据多个风险评分随多个统计时刻的变化速率,确定电池包的健康恶化速率,若在健康恶化速率超过告警阈值时,发出预警信息;从而实现感知电池包长时间范围内的变化趋势和安全演化规律。
在一些实施方式中,该电池包状态检测方法可以应用于异常检测设备。其中,该异常检测设备可以是服务器,该服务器可以是单个服务器,也可以是服务器组。服务器组可以是集中式的,也可以是分布式的(例如,服务器可以是分布式系统)。在一些实施例中,服务器相对于用户终端,可以是本地的、也可以是远程的。在一些实施例中,服务器可以在云平台上实现;仅作为示例,云平台可以包括私有云、公有云、混合云、社区云(CommunityCloud)、分布式云、跨云(Inter-Cloud)、多云(Multi-Cloud)等,或者它们的任意组合。在一些实施例中,服务器可以在具有一个或多个组件的电子设备上实现。
当异常检测设备是服务器时,该服务器可以远程收集电动车使用期间,所搭载电池包的状态参数;例如,电池包中单体电池电压、电流、容量以及电池包中不同位置的电池温度等数据;然后,根据收集的状态参数预估电池包健康状态恶化速率。
在其他一些实施方式中,该异常检测设备还可以是智能移动设备、车载终端等。其中,该智能移动设备包括智能手环、智能手表、智能手机、个人数字助理(Personal DigitalAssistant,PDA)。
当异常检测设备是智能移动终端时,该智能移动终端可以与电动车通信连接,并获取电动车使用期间,所搭载电池包的状态参数,从而预估电池包健康状态恶化速率。
基于以上相关介绍,下面将结合图1就本实施例提供的电池包状态检测方法的各步骤进行详细阐述。如图1所示,该方法包括:
S101,将获取的电池包监测数据以预设的风险评分规则进行处理,获得电池包在连续多个统计时刻的多个风险评分。
其中,多个风险评分与多个统计时刻一一对应;并且,统计时刻可以是均匀分布的,例如,每天或者每几天统计1次电池包的风险评分。当然,统计时刻还可以是非均匀分布的,例如,工作日每天统计1次,而在非工作日则每2天统计一次;又例如,根据电动车的使用频率调整统计频次。对此,本实施例不做具体的限定,本领域技术人员在不脱离本实施例发明构思的情况下进行适当调整。
多个统计时刻的数量与评估周期相关。例如,在风险评分统计频次相同的条件下,若评估周期越长,则多个统计时刻的数量越多;反之,若评估周期越短,则多个统计时刻的数量越少;本实施例以8-12个月为一评估周期。
此外,监测数据包括至少一种电池状态的监测数据,例如,可以从电池电压、电池电流、电池温度、电池容量中选择一种或者多种作为评估电池包健康状态的电池状态;而每个统计时刻的风险评分采用了相同的评分方式,因此,步骤S101包括可以包括以下具体实施方式:
S101-1,对于每个统计时刻,分别根据每种电池状态的监测数据,获得每种电池状态在统计时刻的瞬时得分以及长周期得分。
其中,瞬时得分越大表示在统计时刻,电池状态偏离正常状态区间的偏离程度越大;长周期得分越小表示基于统计时刻的统计时段内,电池状态的越稳定。
因此,在本实施例中,对于电池包的每一种电池状态进行评估时,考虑了在统计时刻的偏离程度,以及在一段时间内的稳定程度,从而既兼顾了在统计时刻该电池包当下的状态,同时还兼顾了电池包在一段时间内的历史状态,以使得到的对电池状态的评估结果更为合理。
例如,就电池单体的电池电压而言,若在当前统计时刻检测到一异常电池的电压偏离了正常状态区间,但基于当前统计时刻所确定的统计时段内,该异常电池的电池电压始终位于正常状态区间内,则说明该异常电池的历史状态始终保持稳定,在当前统计时刻偏离正常状态区间可能是偶然情况,或检测误差所导致。
下面将就瞬时得分与长周期得分分别进行详细介绍,但在介绍之前,首先应理解的是,对于一个电池包中进行状态检测的全部统计对象,偏离正常状态区间的被称为异常对象,而异常对象更能反映出电池包健康状态的恶化情况。因此,本实施例重点分析异常对象的瞬时得分与长周期得分,具体实施方式中,步骤S101-1包括:
S101-1-1,获取全部统计对象在统计时刻就电池状态的平均值。
S101-1-2,将基于平均值确定的上下预设取值范围作为正常状态区间。
此处应理解的是,全部统计对象取决于电池状态的类型。例如,当电池状态为电池包中的电池电压时,则检测电池电压的全部统计对象是电池包中全部的电池单体。而电池状态为电池包中的电池温度时,则检测电池温度的全部统计对象是电池包中全部的温度采样点。值得说明的是,所列举的电池电压、电池温度等电池状态仅仅是本实施例为了说明所列举的示例,不应视为对本实施例的限定。
在明确统计对象之后,该异常检测设备可以获取全部统计对象的在统计时刻就电池状态的平均值;并基于该平均值确定电池状态的正常状态区间;并将偏离正常状态区间的部分称为状态偏离量。
例如,电池状态是电池温度时,若电池包中所有温度采样点的平均温度是29摄氏度,则该电池温度的正常状态区间可以是29±3摄氏度。当任意一个温度采样点的温度没有落在该区间内,则被称为异常温度点。进一步地,若一个异常温度点的温度为35摄氏度,则该异常温度点的温度偏离了正常状态区间3摄氏度。
S101-1-3,对于每种电池状态,若根据电池状态对应的监测数据,检测到电池状态的全部统计对象中存在偏离正常状态区间的异常对象,则分别根据每个异常对象在统计时段内的不同统计时刻偏离正常状态区间的多个状态偏离量,确定每个异常对象在统计时段内的状态偏离均值。
示例性的,继续假定该电池状态为电池包中的电池电压,则异常对象为电池包中的异常电池,异常电池的状态偏离量称为电压偏离量,每个异常对象的状态偏离均值称为电压偏离均值,相应的计算方式为:
式中,nc表示电池包中全部电池单体的数量,表示第ic个单体在第t个时刻的电池电压,/>表示在第t个时刻nc个电池单体电压的平均电压;/>是第ic个电池单体相对于平均电压的偏离量。
此处假定第ic个电池单体为异常电池,则异常电池在统计时段内就电池电压的电压偏离均值为:
式中,Nα,β表示统计时段中采样时刻的数量,该统计时段的起始时刻与终止时刻分别为tα、tβ,表示异常电池在第tj个采样时刻的电压偏离量,/>表示该异常电池在统计时段内电池电压的电压偏离均值。
为使本申请实施例的目的、技术方案和优点更加清楚,下面进一步举例说明异常电池在统计时段内电池电压的偏离趋势的计算方式。假定每天进行一次电池电压的采样,并且在某个统计时刻检测出5个异常电池;对于每个异常电池,将基于统计时刻往前倒推14天的历史天数确定为一个统计时段;然后,计算该异常电池在14天中每天进行采样时的电压偏离量,获得共14个电压偏离量;最后,获得这14个电压偏离量的电压偏离均值,而该电压偏离均值该表征了该异常电池的电池电压在这14天中的稳定程度。
又或者,假定该电池状态为电池包中的电池温度,则异常对象为全部温度采样点中的异常采样点,异常采样点的状态偏离量称为温度偏离量,每个异常对象的状态偏离均值称为温度偏离均值,相应的计算方式为:
式中,nT表示电池包中全部温度采样点的数量,表示第jT个温度采样点在第t个时刻的电池温度,/>第t个时刻nT个温度采样点的平均温度,/>表示第jT温度采样点在在t时刻相对于平均温度的偏离量。
此处假定第jT个温度采样点为异常温度点,则异常温度点在统计时段内就电池温度的温度偏离均值为:
式中,Nα,β表示统计时段中采样时刻的数量,该统计时段的起始时刻与终止时刻分别为tα、tβ,异常温度点在第tj个采样时刻的温度偏离量,/>表示异常温度点在统计时段内电池温度的温度偏离均值。
S101-1-4,根据每个异常对象在统计时段内的状态偏离均值,获得电池状态的长周期得分。
其中,电池状态的长周期得分与每个异常对象的状态偏离均值成正相关。
此处应理解的是,若电池状态包括电池包中的电池电压以及电池温度,则异常电池的数量越多以及各异常电池的电压偏离均值越大,则意味着电池包中电池电压恶化的越厉害;同理,若异常采样点的数量越多以及每个异常采样点的温度偏离均值越大,则意味着电池包中电池温度恶化的越厉害。因此,本实施例中,该异常检测设备将每个异常对象在统计时段内的状态偏离均值之和,作为电池状态的长周期得分。
示例性的,若在统计时刻检测出5个异常电池,则将这5个异常电池在统计时段内的电压偏离均值之和,作为该电池包就电池电压的长周期得分。
S101-1-5,根据每个异常对象在统计时刻的状态偏离量,获得电池状态的瞬时得分。
与电池状态的长周期得分的原理一致,本实施例中,异常检测设备将每个异常对象在统计时刻的状态偏离量之和,作为电池状态的瞬时得分。
示例性的,继续假定该电池状态为电池包中的电池电压,并且,在统计时刻检测出5个异常电池,则将这5个异常电池在统计时刻的电压偏离量之和,作为该电池包就电池电压在统计时刻的瞬时得分。
值得说明的是,若检测电池状态的全部统计对象中不存在偏离正常状态区间的异常对象,则意味着电池包的状态较为稳定,处于较佳的健康状态,此时,可以将电池包在统计时刻的瞬时得分以及在统计时段内的长周期得分置为0。
基于以上就每种电池状态的瞬时得分以及长周期得分的介绍,步骤S101还包括:
S101-2,根据每种电池状态在统计时刻的瞬时得分以及长周期得分,获得电池包在统计时刻的风险评分。
其中,风险评分与每种电池状态在统计时刻的瞬时得分以及长周期得分成正相关。也即是说,本实施例为了综合多方面因素评估电池包的健康恶化速率,根据每种电池状态在统计时刻的瞬时得分以及长周期得分各自的权重,获得加权得分;并将加权得分作为风险评分。
示例性的,继续假定电池包的电池状态包括电池电压以及电池温度,将电池电压的长周期得分、瞬时得分、电池温度的长周期得分、瞬时得分以加权求和的方式获得电池包在统计时刻的风险评分,相应的计算方式为:
riskvehicle(t)=wr1·riskΔV(t)+wr2·riskΔT(t)+wr3·riskdV(t)+wr4·riskdT(t)
式中,riskΔT(t)表示在统计时刻t的风险评分,riskΔV表示电池电压的瞬时得分,riskΔT表示电池温度的瞬时得分,riskdV表示电池电压的长周期得分和riskdT表示电池温度的长周期得分,wri,i=1,2,3,4分别表示各自的权重。
为使技术人员能够更易于实施本方案,下面将结合风险评分的表表达式,就以上实施方式给出以下具体示例:
继续假定电池包的电池状态包括电池电压以及电池温度,并且一电池包中有10000个电池单体,以及30个温度采样点;而在一统计时刻,从电池包中检测出5个异常电池以及3个异常温度点。
对于电池电压,异常检测设备获取这5个异常电池各自在基于统计时刻确定的统计时段内的电压偏离均值;然后,计算5个异常电池就电压偏离均值之和,作为电池电压的长周期得分,表示为riskdV;计算5个异常电池在统计时刻的电压偏离量之和,作为电池电压的瞬时得分,表示为riskΔV。
对于电池温度,异常检测设备取这3个异常温度点各自在基于统计时刻确定的统计时段内的温度偏离均值;然后,计算3个异常温度点就温度偏离均值之和,作为电池温度的长周期得分,表示为riskdT;计算3个异常温度点在统计时刻的温度偏离量之和,作为电池温度的瞬时得分,表示为riskΔT。
最后,按照上述风险评分的表达式,将电池电压的瞬时得分、长周期得分以及电池温度的瞬时得分以及长周期得分代入风险评分的表达式进行计算,可获得电池包在统计时刻的风险评分。
如此,在计算风险评分时,不仅考虑电池包中电池电压和电池温度在同一时刻的横向差值对比,还考虑了电池电压和电池温度在长周期时间尺度上的变化规律,从而使得用于评估电池包健康状态的风险评分更为客观合理。
基于以上关于风险评分的相关介绍,继续参见图1,该方法还包括:
S102,根据多个风险评分随多个统计时刻的变化速率,确定电池包的健康恶化速率。
S103,在健康恶化速率超过告警阈值时,发出预警信息。
在本实施例中,健康恶化速率表征了电池包健康状况的恶化快慢,即多个风险评分的曲线所呈现的斜率越大,该电池包的健康状况恶化的越快。本实施例中考虑到多个风险评分的曲线呈离散且非平滑的状态,难以用某段曲线的斜率表征电池包健康状态的恶化趋势,而在本实施例中多个统计时刻所对应的评估周期时固定的,因此,可以统计多个风险评分在评估周期内的上升幅度,用于代表电池包健康状态的健康恶化速率,即在相同的评估周期内的多个风险评分的上升幅度越大,则意味着的电池包健康状况的恶化速率越快,因此,需要提前做出预警。
综上所述,在以上实施方式中,异常检测设备获取电池包在连续多个统计时刻的多个风险评分,由于多个风险评分分别表示电池包的健康状况的恶化,因此,根据多个风险评分,获取电池包健康状态的健康恶化速率,并在健康恶化速率超过告警阈值时,发出告警信息;从而感知电池包长时间范围内的变化趋势和安全演化规律。
另外,为更为直观的展示本实施例的技术效果,下面给出本实施例在实施过程中就实际采集的数据所生成的统计曲线。本实施例在实施过程中,云端在每天当中的统计时刻采集5辆电动汽车的电池电压以及电池温度作为目标数据集,其中,这5辆电动车分别表示为LZT1-LZT5,统计时段的时长选取为14天(2周),计算这5辆电充车各自的多个统计时刻的风险评分,获得每辆电动车所搭载电池包健康状态的演化规律。
如图2A所示,取5辆车中一辆车辆作为例,图中示出了该车辆中7个单体(cell1-cell7)电压的电压偏离量在长周期范围内的变化曲线。
如图2B示出了同一车辆另外4个电池单体(cell4、cell5、cell6、cell8)的电压偏离量在长周期范围内绝对值的变化曲线;而图2C则是图2B中4个电池单体的电压偏离量以柱形图显示的变化细节。
该车辆温度偏离量长周期演化规律则如图3A所示,图3A中示出了6个温度采样点(temp1-temp6)温度偏离量在长周期范围内的变化曲线。
图3B为同一车辆中另外4个温度采样点(temp2、temp3、temp6、temp7)的温度偏离量在长周期范围内绝对值的变化曲线,展示了温度偏离量在时间尺度的变化特征,而图3C为图3B中4个温度采样点的温度偏离量以柱形图显示的变化细节,以柱形图显示。
由图2A-图2C、图3A-图3C示出的电压偏离量以及温度偏离量在较长周期的变化曲线,可以看出通过对电压偏离量以及温度偏离量进行分析可以提前判断出电池包中电池电压以及电池温度较大幅值的变化速率和变化趋势。
因此,假定风险评分表达式中各参数权重取值为:
wr1=0.005,wr2=0.005,wr3=0.495,wr4=0.495
按照以上权重对该示例中5辆故障电动汽车的风险评分进行计算,并将风险评分变化幅度高低排序得到如图4所示的风险评分曲线图,可见通过该风险评分曲线图,能够对高风险车辆在较早时期判断出其风险的可能性,并提前进行预警。
基于相同的发明构思,本实施例还提供一种电池包状态检测装置,该电池包状态检测装置包括至少一个可以软件形式存储于存储器320或固化在异常检测设备的操作系统(Operating System,简称OS)中的软件功能模块。检测涉设备中的处理器330用于执行存储器320中存储的可执行模块。例如,该可执行模块可以时电池包状态检测装置所包括的软件功能模块及计算机程序等。请参照图5,从功能上划分,电池包状态检测装置可以包括:
评分获取模块201,用于将获取的电池包监测数据以预设的风险评分规则进行处理,获得电池包在连续多个统计时刻的多个风险评分,其中,多个风险评分与统多个计时刻一一对应。
在本实施例中,该评分获取模块201用于实现图1中的步骤S101,关于该评分获取模块201的详细描述,可以参见步骤S101的详细描述。
趋势预估模块202,用于根据多个风险评分随多个统计时刻的变化速率,确定电池包的健康恶化速率。
该趋势预估模块202用于实现图1中的步骤S101,关于该趋势预估模块202的详细描述可以参见步骤S101的详细描述。
健康告警模块203,用于在健康恶化速率超过告警阈值时,发出预警信息。
该健康告警模块203用于实现图1中的步骤S102,关于该健康告警模块203的详细描述可以参见步骤S102的详细描述。
另外,值得说明的是,由于该电池包状态检测装置与电池包状态检测方法具有相同的发明构思,因此,以上评分获取模块201、趋势预估模块202以及健康告警模块203还可以用于实现电池包状态检测方法的其他步骤或者子步骤。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
还应理解的是,以上实施方式如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。
因此,本实施例还提供一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时,实现本实施例提供的电池包状态检测方法。其中,该计算机可读存储介质可以是U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本实施例提供的一种异常检测设备,该异常检测设备可包括处理器及存储器。处理器与存储器可经由系统总线通信。并且,存储器存储有计算机程序,处理器通过读取并执行存储器320中与以上实施方式对应的计算机程序,实现本实施例所提供的电池包状态检测方法。
如图6所示,该异常检测设备包括存储器320、处理器330、通信单元340。该存储器320、处理器330以及通信单元340各元件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。
其中,该存储器320可以是基于任何电子、磁性、光学或其它物理原理的信息记录装置,用于记录执行指令、数据等。在一些实施方式中,该存储器320可以是,但不限于,易失存储器、非易失性存储器、存储驱动器等。
其中,仅作为示例,该易失存储器可以是随机存取存储器(Random AccessMemory,RAM)。该非易失性存储器可以是只读存储器(Read Only Memory,ROM)、可编程只读存储器(Programmable Read-Only Memory,PROM)、可擦除只读存储器(ErasableProgrammable Read-Only Memory,EPROM)、电可擦除只读存储器(Electric ErasableProgrammable Read-Only Memory,EEPROM)、闪存等;该存储驱动器可以是磁盘驱动器、固态硬盘、任何类型的存储盘(如光盘、DVD等),或者类似的存储介质,或者它们的组合等。
该通信单元340用于通过网络收发数据。在一些实施方式中,该网络可以包括有线网络、无线网络、光纤网络、远程通信网络、内联网、因特网、局域网(Local Area Network,LAN)、广域网(Wide Area Network,WAN)、无线局域网(Wireless Local Area Networks,WLAN)、城域网(Metropolitan Area Network,MAN)、广域网(Wide Area Network,WAN)、公共电话交换网(Public Switched Telephone Network,PSTN)、蓝牙网络、ZigBee网络、或近场通信(Near Field Communication,NFC)网络等,或其任意组合。在一些实施例中,网络可以包括一个或多个网络接入点。例如,网络可以包括有线或无线网络接入点,例如基站和/或网络交换节点,服务请求处理系统的一个或多个组件可以通过该接入点连接到网络以交换数据和/或信息。
该处理器330可能是一种集成电路芯片,具有信号的处理能力,并且,该处理器可以包括一个或多个处理核(例如,单核处理器或多核处理器)。仅作为举例,上述处理器可以包括中央处理单元(Central Processing Unit,CPU)、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、专用指令集处理器(Application SpecificInstruction-set Processor,ASIP)、图形处理单元(Graphics Processing Unit,GPU)、物理处理单元(Physics Processing Unit,PPU)、数字信号处理器(Digital SignalProcessor,DSP)、现场可编程门阵列(Field Programmable Gate Array,FPGA)、可编程逻辑器件(Programmable Logic Device,PLD)、控制器、微控制器单元、简化指令集计算机(Reduced Instruction Set Computing,RISC)、或微处理器等,或其任意组合。
应该理解到的是,在上述实施方式中所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上所述,仅为本申请的各种实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
Claims (9)
1.一种电池包状态检测方法,其特征在于,所述方法包括:
将获取的电池包监测数据以预设的风险评分规则进行处理,获得所述电池包在连续多个统计时刻的多个风险评分,其中,所述多个风险评分与所述多个统计时刻一一对应,监测数据包括至少一种电池状态的监测数据,本步骤具体包括:
对于每个统计时刻,分别根据每种所述电池状态的监测数据,获得每种电池状态在所述统计时刻的瞬时得分以及长周期得分;其中,所述瞬时得分越大表示在所述统计时刻,所述电池状态偏离正常状态区间的偏离程度越大;所述长周期得分越小表示基于所述统计时刻的统计时段内,所述电池状态的越稳定;
根据每种所述电池状态在所述统计时刻的瞬时得分以及长周期得分,获得所述电池包在所述统计时刻的风险评分,其中,所述风险评分与每种所述电池状态在所述统计时刻的瞬时得分以及长周期得分成正相关;
根据所述多个风险评分随所述多个统计时刻的变化速率,确定所述电池包的健康恶化速率;
在所述健康恶化速率超过告警阈值时,发出预警信息。
2.根据权利要求1所述的电池包状态检测方法,其特征在于,所述分别根据每种所述电池状态的监测数据,获得每种所述电池状态在所述统计时刻的瞬时得分以及长周期得分,包括:
对于每种所述电池状态,若根据所述电池状态对应的监测数据,检测到所述电池状态的全部统计对象中存在偏离正常状态区间的异常对象,则分别根据每个所述异常对象在所述统计时段内的不同统计时刻偏离正常状态区间的多个状态偏离量,确定每个所述异常对象在所述统计时段内的状态偏离均值;
根据每个所述异常对象在所述统计时段内的状态偏离均值,获得所述电池状态的长周期得分,其中,所述电池状态的长周期得分与每个所述异常对象的状态偏离均值成正相关;
根据每个所述异常对象在所述统计时刻的状态偏离量,获得所述电池状态的瞬时得分,其中,所述电池状态的瞬时得分与每个异常对象的状态偏离量成正相关。
3.根据权利要求2所述的电池包状态检测方法,其特征在于,所述根据每个所述异常对象在所述统计时段内偏离状态正常区间的多个状态偏离量,确定每个所述异常对象在所述统计时段内的状态偏离均值之前,所述方法还包括:
获取所述全部统计对象在所述统计时刻就所述电池状态的平均值;
将基于所述平均值确定的上下预设取值范围作为所述正常状态区间。
4.根据权利要求2所述的电池包状态检测方法,其特征在于,所述根据每个所述异常对象在所述统计时段内的状态偏离均值,获得所述电池状态的长周期得分,包括:
将每个所述异常对象在所述统计时段内的状态偏离均值之和,作为所述电池状态的长周期得分。
5.根据权利要求2所述的电池包状态检测方法,其特征在于,所述根据每个所述异常对象在所述统计时刻的状态偏离量,获得所述电池状态的瞬时得分,包括:
将每个所述异常对象在在所述统计时刻的状态偏离量之和,作为所述电池状态的瞬时得分。
6.根据权利要求1所述的电池包状态检测方法,其特征在于,所述根据每种所述电池状态在所述统计时刻的瞬时得分以及长周期得分,获得所述电池包在所述统计时刻的风险评分,包括:
根据每种所述电池状态在所述统计时刻的瞬时得分以及长周期得分各自的权重,获得加权得分;
将所述加权得分作为所述风险评分。
7.一种电池包状态检测装置,其特征在于,应用于异常检测设备,所述装置包括:
评分获取模块,用于将获取的电池包监测数据以预设的风险评分规则进行处理,获得所述电池包在连续多个统计时刻的多个风险评分,其中,所述多个风险评分与所述多个统计时刻一一对应,监测数据包括至少一种电池状态的监测数据,所述评分获取模块具体用于:
对于每个统计时刻,分别根据每种所述电池状态的监测数据,获得每种电池状态在所述统计时刻的瞬时得分以及长周期得分;其中,所述瞬时得分越大表示在所述统计时刻,所述电池状态偏离正常状态区间的偏离程度越大;所述长周期得分越小表示基于所述统计时刻的统计时段内,所述电池状态的越稳定;
根据每种所述电池状态在所述统计时刻的瞬时得分以及长周期得分,获得所述电池包在所述统计时刻的风险评分,其中,所述风险评分与每种所述电池状态在所述统计时刻的瞬时得分以及长周期得分成正相关;
趋势预估模块,用于根据所述多个风险评分随所述多个统计时刻的变化速率,确定所述电池包的健康恶化速率;
健康告警模块,用于在所述健康恶化速率超过告警阈值时,发出预警信息。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时,实现权利要求1-6任意一项所述的电池包状态检测方法。
9.一种异常检测设备,其特征在于,所述异常检测设备包括处理器以及存储器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,实现权利要求1-6任意一项所述的电池包状态检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211165653.6A CN115877215B (zh) | 2022-09-23 | 2022-09-23 | 电池包状态检测方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211165653.6A CN115877215B (zh) | 2022-09-23 | 2022-09-23 | 电池包状态检测方法及相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115877215A CN115877215A (zh) | 2023-03-31 |
CN115877215B true CN115877215B (zh) | 2024-01-30 |
Family
ID=85770006
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211165653.6A Active CN115877215B (zh) | 2022-09-23 | 2022-09-23 | 电池包状态检测方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115877215B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117054903B (zh) * | 2023-09-11 | 2024-03-12 | 嘉丰盛精密电子科技(孝感)有限公司 | 一种汽车电池包异常监测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104297691A (zh) * | 2014-09-29 | 2015-01-21 | 上海吉能电源系统有限公司 | 电池组健康状态诊断系统和方法 |
CN112924887A (zh) * | 2021-01-27 | 2021-06-08 | 江西江铃集团新能源汽车有限公司 | 电池包健康检测方法、装置、可读存储介质及电子设备 |
CN112946485A (zh) * | 2021-02-09 | 2021-06-11 | 江西江铃集团新能源汽车有限公司 | 车辆电池检测方法、存储介质及设备 |
CN113884936A (zh) * | 2021-11-08 | 2022-01-04 | 中北大学 | 一种基于issa耦合delm的锂离子电池健康状态预测方法 |
CN114675190A (zh) * | 2022-04-18 | 2022-06-28 | 清华大学 | 一种电池安全评估的方法、装置及电子设备 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10725113B2 (en) * | 2014-02-24 | 2020-07-28 | Esw Holdings, Inc. | System and method for determining a state of health of a power source of a portable device |
US10613150B2 (en) * | 2017-12-07 | 2020-04-07 | National Chung Shan Institute Of Science And Technology | Battery health state evaluation device and method |
-
2022
- 2022-09-23 CN CN202211165653.6A patent/CN115877215B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104297691A (zh) * | 2014-09-29 | 2015-01-21 | 上海吉能电源系统有限公司 | 电池组健康状态诊断系统和方法 |
CN112924887A (zh) * | 2021-01-27 | 2021-06-08 | 江西江铃集团新能源汽车有限公司 | 电池包健康检测方法、装置、可读存储介质及电子设备 |
CN112946485A (zh) * | 2021-02-09 | 2021-06-11 | 江西江铃集团新能源汽车有限公司 | 车辆电池检测方法、存储介质及设备 |
CN113884936A (zh) * | 2021-11-08 | 2022-01-04 | 中北大学 | 一种基于issa耦合delm的锂离子电池健康状态预测方法 |
CN114675190A (zh) * | 2022-04-18 | 2022-06-28 | 清华大学 | 一种电池安全评估的方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN115877215A (zh) | 2023-03-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9476947B2 (en) | Method for ascertaining operating parameters of a battery, battery management system, and battery | |
JP7483922B2 (ja) | バッテリ診断装置、バッテリ診断方法、バッテリパック及び自動車 | |
EP4040569B1 (en) | Battery state estimation device | |
CN115392134B (zh) | 车辆动力电池综合性能评估方法及相关装置 | |
US20200309857A1 (en) | Methods, systems, and devices for estimating and predicting battery properties | |
CN115877215B (zh) | 电池包状态检测方法及相关装置 | |
JP6174805B2 (ja) | 電池制御装置 | |
CN111812518A (zh) | 电池状态监控方法、存储介质和系统 | |
US11621573B2 (en) | Drooping cell detection and state of cell health monitoring | |
AU2022266288A1 (en) | Battery management device, and electric power system | |
CN115214424A (zh) | 电池热管理系统的温度确定方法、装置及电子设备 | |
KR20210080069A (ko) | 배터리 진단 장치 및 방법 | |
KR20160098348A (ko) | 복수의 배터리들의 잔류 용량들을 추정하는 방법 | |
CN115563704A (zh) | 电池状态预测模型的优化方法、容量预测方法及相关装置 | |
US20240027540A1 (en) | Battery Cell Diagnosing Apparatus and Method | |
KR20200091749A (ko) | 배터리 관리 장치, 배터리 관리 방법 및 배터리팩 | |
CN113777517A (zh) | 储能电站短板电芯筛选方法 | |
CN110263433B (zh) | 一种熔断器故障报警方法和系统 | |
JP2022540403A (ja) | バッテリー診断システム、電力システム及びバッテリー診断方法 | |
CN113009363A (zh) | 用于测量电池欧姆电阻的方法和装置 | |
CN116315189B (zh) | 一种基于数据融合的电池包热失控预测方法和系统 | |
US20230213587A1 (en) | Method and System for Efficiently Monitoring Battery Cells of a Device Battery in an External Central Processing Unit Using a Digital Twin | |
WO2024111395A1 (ja) | 電池管理システム、電池管理方法、および電池管理プログラム | |
CN117681664A (zh) | 一种动力电池预警控制方法及相关设备 | |
CN117347868A (zh) | 电池热失控预警评估方法、系统、电子设备及存储介质 |
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 |