CN116150572A - 一种基于聚类分析的汽车电池单体一致性缺陷评估方法 - Google Patents

一种基于聚类分析的汽车电池单体一致性缺陷评估方法 Download PDF

Info

Publication number
CN116150572A
CN116150572A CN202211696143.1A CN202211696143A CN116150572A CN 116150572 A CN116150572 A CN 116150572A CN 202211696143 A CN202211696143 A CN 202211696143A CN 116150572 A CN116150572 A CN 116150572A
Authority
CN
China
Prior art keywords
monomer
voltage
cluster
abnormal
segment
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
Application number
CN202211696143.1A
Other languages
English (en)
Inventor
张照生
王震坡
毕继禹
刘鹏
孙志伟
林倪
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.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
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 Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202211696143.1A priority Critical patent/CN116150572A/zh
Publication of CN116150572A publication Critical patent/CN116150572A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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

本发明提供了一种基于聚类分析的汽车电池单体一致性缺陷评估方法，其充分利用不同车辆上所使用的同规格电池运行大数据，提供了对包括单体异常频次、老化速度、电压散度等全方位的不一致缺陷检测体系，可对特定目标车型全生命周期中潜在的单体缺陷风险实现及早发现与报警，克服了现有技术只能满足单车诊断的局限，显著提高了检测的精确性并提供了广泛的适应性。

Description

一种基于聚类分析的汽车电池单体一致性缺陷评估方法
技术领域
本发明属于车用动力电池缺陷评估技术领域，具体涉及一种基于聚类分析的汽车电池单体一致性缺陷评估方法。
背景技术
现阶段，在电动汽车中所使用的动力电池组由于组内所包含的电池单体众多，不可避免地存在电池单体性能不一致的现象，这种现象容易使电池组性能无法满足设计要求并导致寿命衰减过快，严重时还会导致电池组过热甚至引发热失控等的安全风险。然而，现有技术中对电池一致性缺陷的检测手段尚不够完善，利用针对各单体设置的大规模传感装置还不能实现较快速地一致性评估，无法对一致性缺陷及早发现，以及执行必要的处理来应对潜在故障或安全风险，并且现有的一致性检测还只局限于单车层面，对于在不同车型与工况中使用的同规格单体，也缺乏利用更广泛的样本实现更精确评估的有效手段。因此，如何提供精确性与实时性更好的汽车电池单体一致性评估方法，是本领域中迫切需要解决的技术问题。
发明内容
有鉴于此，本发明提供了一种基于聚类分析的汽车电池单体一致性缺陷评估方法，具体包括以下步骤：
步骤一、新能源汽车大数据平台收集各电动汽车上相同规格电池单体的电压、电流、温度及对应的时间数据；对这些数据执行预处理，划分出车辆的充电片段与行驶片段；
步骤二、针对任意一个片段M对各单体i，分别计算单体i电压与其他单体电压之间的标准化相关系数，计算充电片段中单体i电压与所有单体电压均值之间差的绝对值，以及行驶片段中单体i电压与所有单体电压均值之间的豪斯多夫距离；
步骤三、利用步骤二得到的结果对电池单体执行K-means聚类，得到的异常单体与正常单体两个簇，并根据两个簇的簇中心对所有电池单体判定其具体所属的簇；
步骤四、根据步骤三得到的两个簇及簇中心计算片段M中正常单体簇与异常单体簇之间的邓恩指数，通过与预设的邓恩指数阈值比较，将大于该阈值时异常单体簇中的单体编号记录并报警；统计车辆q全生命周期所有片段中异常单体被记录的情况，并计算单体i的报警片段在总片段中所占比率fi；
步骤五、对充电片段计算正常簇内所有单体到簇中心的距离平均值S，并记录片段对应的行驶里程L、充电平均温度及温度变化范围；选取不同充电平均温度下对应的距离平均值S与行驶里程L并线性拟合，定义拟合的直线斜率为单体老化系数，所选取的S最大值为单体电压散度系数；
步骤六、定期对相同车型执行前述步骤，并根据所述fi评估发生单体缺陷的数量风险和频次风险，根据所述单体老化系数评估发生单体异常老化的风险，以及根据所述单体电压散度系数评估单体异常散度风险。
进一步地，步骤一中执行的预处理具体包括：对在相同时间点采集的多帧数据去重，只保留一帧数据；当某帧电池单体电压缺少两个以上时，则删除该数据帧；以及根据相关数据项的标志位确定充电片段和行驶片段，若相邻同种片段时间间隔小于五分钟，则合并为同一片段。
进一步地，步骤二具体包括：
首先，提取片段M中的m帧单体i电压提取其电压序列：[vi1 vi2…vim]；
对电压向量执行移动平均滤波，计算滤波结果的一阶差分并构造全部n个单体电压差分矩阵ΔVM：
Figure BDA0004023536230000021
对任意单体i的电压差分序列，计算其所有帧的平均值：
Figure BDA0004023536230000022
利用以下公式计算单体i电压与其他单体j电压之间的相关系数
Figure BDA0004023536230000023
Figure BDA0004023536230000024
对单体i电压与其他单体电压之间的相关系数取均值
Figure BDA0004023536230000025
后通过标准化处理，从而得到所有单体的标准化相关系数向量：/>
Figure BDA0004023536230000026
从充电片段中提取最后5％SOC的各单体i电压序列[vi1 vi2…vim]，并计算其均值
Figure BDA0004023536230000027
Figure BDA0004023536230000028
计算
Figure BDA0004023536230000029
与所有单体电压平均值之差的绝对值di：
Figure BDA00040235362300000210
对上述计算结果执行标准化处理得到相应
Figure BDA00040235362300000211
对行驶片段则首先每一帧j的中各单体的平均电压得到平均电压序列
Figure BDA0004023536230000031
/>
Figure BDA0004023536230000032
Figure BDA0004023536230000033
的豪斯多夫距离：
di＝H(vi,v)
对上述计算结果执行标准化处理得到相应di std。
进一步地，步骤三中所执行的K-means聚类具体过程如下：
利用步骤二得到的结果建立集合S＝{p1,p2,…,pn}，其中pi＝[ρi std,di std]，执行聚类得到异常单体簇u1和正常单体簇u2，并簇数h置为2；
根据两簇的中心c1和c2分别选取对应的两个电池单体pi和pj，计算所有单体到两簇中心的欧氏距离并通过以下判定确定单体确所属的簇：
Figure BDA0004023536230000034
对所有单体完成一轮上述判定后，按以下方式重新计算簇中心c1和c2：
Figure BDA0004023536230000035
重复上述欧氏距离的计算与单体所属簇的确定，直到簇中心不再发生改变。
进一步地，步骤四中具体基于以下公式计算两簇之间的邓恩指数DVI：
Figure BDA0004023536230000036
其中，d(u1,u2)表示簇u1与u2中心之间的距离，max1≤k≤2d′(uk)表示簇u1或u2内部任意两点间距的最大值；
设定所述邓恩指数的阈值DVIs并与计算的DVI比较，若DVI＞DVIs，则保持h＝2同时记录异常单体簇中的单体编号及报警；否则将h置为1并等待执行下一次聚类；
统计车辆q全生命周期所有片段中异常单体被记录的情况得到向量：[f1,f2,…,fn]。
进一步地，步骤五中确定单体老化系数和单体电压散度系数的具体过程包括：
对任意充电片段计算正常单体簇中所有单体到簇中心距离的平均值S，记录片段对应的行驶里程L，并利用各温度探针的传感数据计算所述充电平均温度TM和温度变化范围ΔTM：
Figure BDA0004023536230000041
Figure BDA0004023536230000042
/>
其中，m为片段帧数，n为温度探针个数，
Figure BDA0004023536230000043
表示第i帧第j个探针测量温度；
以BMS系统故障诊断报警温度阈值
Figure BDA0004023536230000044
和/>
Figure BDA0004023536230000045
作为下界和上界，温度范围Td间隔，划定温度区间：/>
Figure BDA0004023536230000046
并创建对应的集合A0,A1,…,Ax；遍历全部充电片段，若某片段的ΔTM＞0.7Td，则跳过此片段并遍历下一片段；若片段的ΔTM≤0.7Td，则根据此片段的平均充电温度TM所属的温度区间
Figure BDA0004023536230000047
将对应的(Li,Si)存入集合Ai中；
从各集合中选择数据点最多的集合Amax，并利用其中的全部数据点(L1,S1),(L2,S2),…(Ln,Sn)执行基于最小二乘法的线性拟合，定义拟合得到的斜率k为单体老化系数，同时记录集合Amax中到正常单体簇中心距离最大值Smax作为单体电压散度系数。
进一步地，步骤六中对某车型评估发生单体缺陷的数量风险和频次风险的具体过程包括：
基于通过步骤四得到m辆待评估车辆的以下矩阵：
Figure BDA0004023536230000048
其中，fi j表示车辆j的单体i报警片段数量占总片段数量比率；
利用以下公式分别计算数量风险指标QRi和频次风险指标FRi：
Figure BDA0004023536230000049
Figure BDA00040235362300000410
其中，num(fi j≠0)表示比率fi不为零的车辆数目，QRi表示比率fi不为零的车辆数目占总车辆百分比，FRi表示不为0的比率fi均值；
分别设定数量风险阈值
Figure BDA00040235362300000411
和/>
Figure BDA00040235362300000412
其中/>
Figure BDA00040235362300000413
以及频次风险阈值FRs；根据以下规则评估相应风险:
若对任意单体i，都有
Figure BDA00040235362300000414
则不存在异常单体缺陷；
若存在单体i，
Figure BDA0004023536230000051
且FRi＞FRs，则存在异常单体缺陷，单体i为异常单体，否则不存在异常单体缺陷。
若存在单体i，
Figure BDA0004023536230000052
则存在异常单体缺陷，单体i为异常单体；
评估发生单体异常老化风险的过程包括：
基于由步骤五得到的m辆车的单体老化系数向量：[k1,k2,…,km]，与相应的阈值ks比较并计算老化速率风险因子ARR：
Figure BDA0004023536230000053
设定老化速率风险阈值ARRs，当ARR≥ARRs时判定这m辆车存在单体异常老化风险；
评估单体异常散度风险的过程包括：
针对各温度区间为相应电压散度系数设定相应的阈值：Ss1,Ss2,…,Ssx，并基于由步骤五得到的m辆车的单体电压散度系数向量：
Figure BDA0004023536230000054
中各元素所属温度区间对应的阈值，按顺序构造阈值向量：/>
Figure BDA0004023536230000055
利用以下公式计算单体电压散度风险因子DR：
Figure BDA0004023536230000056
设定单体电压散度风险阈值DRs，当DR≥DRs时判定这m辆车存在单体异常散度风险。
上述本发明所提供的基于聚类分析的汽车电池单体一致性缺陷评估方法，其充分利用不同车辆上所使用的同规格电池运行大数据，提供了对包括单体异常频次、老化速度、电压散度等全方位的不一致缺陷检测体系，可对特定目标车型全生命周期中潜在的单体缺陷风险实现及早发现与报警，克服了现有技术只能满足单车诊断的局限，显著提高了检测的精确性并提供了广泛的适应性。
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为本发明提供的基于聚类分析的汽车电池单体一致性缺陷评估流程图；
图2为本发明提供的采集数据预处理流程图。
具体实施方式
下面将结合附图对本发明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，本发明提供了一种基于聚类分析的汽车电池单体一致性缺陷评估方法，具体包括以下步骤：
步骤一、新能源汽车大数据平台收集各电动汽车上相同规格电池单体的电压、电流、温度及对应的时间数据；对这些数据执行预处理，划分出车辆的充电片段与行驶片段；
步骤二、针对任意一个片段M对各单体i，分别计算单体i电压与其他单体电压之间的标准化相关系数，计算充电片段中单体i电压与所有单体电压均值之间差的绝对值，以及行驶片段中单体i电压与所有单体电压均值之间的豪斯多夫距离；
步骤三、利用步骤二得到的结果对电池单体执行K-means聚类，得到的异常单体与正常单体两个簇，并根据两个簇的簇中心对所有电池单体判定其具体所属的簇；
步骤四、根据步骤三得到的两个簇及簇中心计算片段M中正常单体簇与异常单体簇之间的邓恩指数，通过与预设的邓恩指数阈值比较，将大于该阈值时异常单体簇中的单体编号记录并报警；统计车辆q全生命周期所有片段中异常单体被记录的情况，并计算单体i的报警片段在总片段中所占比率fi；
步骤五、对充电片段计算正常簇内所有单体到簇中心的距离平均值S，并记录片段对应的行驶里程L、充电平均温度及温度变化范围；选取不同充电平均温度下对应的距离平均值S与行驶里程L并线性拟合，定义拟合的直线斜率为单体老化系数，所选取的S最大值为单体电压散度系数；
步骤六、定期对相同车型执行前述步骤，并根据所述fi评估发生单体缺陷的数量风险和频次风险，根据所述单体老化系数评估发生单体异常老化的风险，以及根据所述单体电压散度系数评估单体异常散度风险。
在本发明的一个优选实施方式中，步骤一中执行的预处理具体流程如图2所示，包括：对在相同时间点采集的多帧数据去重，只保留一帧数据；当某帧电池单体电压缺少两个以上时，则删除该数据帧；以及根据相关数据项的标志位确定充电片段和行驶片段，若相邻同种片段时间间隔小于五分钟，则合并为同一片段。
在本发明的一个优选实施方式中，步骤二具体包括：
首先，提取片段M中的m帧单体i电压提取其电压序列：[vi1 vi2…vim]；
对电压向量可采用以下公式执行移动平均滤波：
Figure BDA0004023536230000061
v[τ-i]表示在τ-i时刻的数据点，vMAF[τ]是当前的输出，并且Ψ表示在计算过程中所选的数据点数，本实施例中可取10。
计算滤波结果的一阶差分：ΔvMAF[τ]＝vMAF[τ+1]-vMAF[τ]，并构造全部n个单体电压差分矩阵ΔVM：
Figure BDA0004023536230000071
对任意单体i的电压差分序列，计算其所有帧的平均值：
Figure BDA0004023536230000072
利用以下公式计算单体i电压与其他单体j电压之间的相关系数
Figure BDA0004023536230000073
Figure BDA0004023536230000074
对单体i电压与其他单体电压之间的相关系数取均值
Figure BDA0004023536230000075
后通过标准化处理，从而得到所有单体的标准化相关系数向量：/>
Figure BDA0004023536230000076
/>
标准化处理可采用本领域公知的，针对任意数据集X＝{x1,x2,…,xn}中各元素，分别定义：
Figure BDA0004023536230000077
其中，
均值
Figure BDA0004023536230000078
标准差
Figure BDA0004023536230000079
从充电片段中提取最后5％SOC的各单体i电压序列[vi1 vi2…vim]，并计算其均值
Figure BDA00040235362300000710
Figure BDA00040235362300000711
计算
Figure BDA00040235362300000712
与所有单体电压平均值之差的绝对值di：
Figure BDA00040235362300000713
对上述计算结果执行标准化处理得到相应
Figure BDA0004023536230000081
对行驶片段则首先每一帧j的中各单体的平均电压得到平均电压序列
Figure BDA0004023536230000082
Figure BDA0004023536230000083
基于电压序列[vi1 vi2 ... vim]与
Figure BDA0004023536230000084
两个序列计算得到各单体i的豪斯多夫距离：
Figure BDA0004023536230000085
豪斯多夫距离是描述两组点集之间相似程度的一种量度，它是两个点集之间距离的一种定义形式：假设有两组集合A＝{a1 a2 ... aq},B＝{b1 b2 ... bq},则这两个点集合之间的豪斯多夫距离定义为：
H(A,B)＝max(h(A,B),h(B,A))
其中h(A,B)＝maxa∈Aminb∈B||a-b||，h(B,A)＝maxb∈Bmina∈A||b-a||，||·||是点集A和B点集间的欧式距离范式。
h(A,B)首先对点集A中的每个点ai到距离此点ai最近的B集合中点bj之间的距离||ai-bj||进行排序,然后取该距离中的最大值作为h(A,B)的值.h(B,A)同理可得。豪斯多夫距离H(A,B)表示h(A,B)和h(B,A)中的较大者。
可求第i单体的电压向量与平均电压向量之间豪斯多夫距离di，对计算结果执行标准化处理得到相应
Figure BDA0004023536230000086
在本发明的一个优选实施方式中，步骤三中所执行的K-means聚类具体过程如下：
利用步骤二得到的结果建立集合S＝{p1,p2,…,pn}，其中
Figure BDA0004023536230000087
执行聚类得到异常单体簇u1和正常单体簇u2，并簇数h置为2；
根据两簇的中心c1和c2分别选取对应的两个电池单体pi和pj，计算所有单体到两簇中心的欧氏距离并通过以下判定确定单体确所属的簇：
Figure BDA0004023536230000088
对所有单体完成一轮上述判定后，按以下方式重新计算簇中心c1和c2：
Figure BDA0004023536230000089
重复上述欧氏距离的计算与单体所属簇的确定，直到簇中心不再发生改变。
进一步地，步骤四中具体基于以下公式计算两簇之间的邓恩指数DVI：
Figure BDA0004023536230000091
其中，d(u1,u2)表示簇u1与u2中心之间的距离，max1≤k≤2d′(uk)表示簇u1或u2内部任意两点间距的最大值；
设定所述邓恩指数的阈值DVIs并与计算的DVI比较，若DVI＞DVIs，则保持h＝2同时记录异常单体簇中的单体编号及报警；否则将h置为1并等待执行下一次聚类；本发明优选DVIs＝5，但不限于此。
统计车辆q全生命周期所有片段中异常单体被记录的情况得到向量：[f1,f2,…,fn]。
在本发明的一个优选实施方式中，步骤五中确定单体老化系数和单体电压散度系数的具体过程包括：
对任意充电片段计算正常单体簇中所有单体到簇中心距离的平均值S，记录片段对应的行驶里程L，单位为公里，并利用各温度探针的传感数据计算所述充电平均温度TM和温度变化范围ΔTM：
Figure BDA0004023536230000092
Figure BDA0004023536230000093
其中，m为片段帧数，n为温度探针个数，
Figure BDA0004023536230000094
表示第i帧第j个探针测量温度；/>
以BMS系统故障诊断报警温度阈值
Figure BDA0004023536230000095
和/>
Figure BDA0004023536230000096
作为下界和上界，温度范围Td间隔，划定温度区间：/>
Figure BDA0004023536230000097
并创建对应的集合A0,A1,…,Ax；遍历全部充电片段，若某片段的ΔTM＞0.7Td，则跳过此片段并遍历下一片段；若片段的ΔTM≤0.7Td，则根据此片段的平均充电温度TM所属的温度区间
Figure BDA0004023536230000098
将对应的(Li,Si)存入集合Ai中，本发明优选Td＝3℃；
从各集合中选择数据点最多的集合Amax，并利用其中的全部数据点(L1,S1),(L2,S2),…(Ln,Sn)执行基于最小二乘法的线性拟合，定义拟合得到的斜率k为单体老化系数，同时记录集合Amax中到正常单体簇中心距离最大值Smax作为单体电压散度系数。
在本发明的一个优选实施方式中，步骤六中对某车型评估发生单体缺陷的数量风险和频次风险的具体过程包括：
基于通过步骤四得到m辆待评估车辆的以下矩阵：
Figure BDA0004023536230000101
其中，fi j表示车辆j的单体i报警片段数量占总片段数量比率；
利用以下公式分别计算数量风险指标QRi和频次风险指标FRi：
Figure BDA0004023536230000102
Figure BDA0004023536230000103
其中，num(fi j≠0)表示比率fi不为零的车辆数目，QRi表示比率fi不为零的车辆数目占总车辆百分比，FRi表示不为0的比率fi均值；
分别设定数量风险阈值
Figure BDA0004023536230000104
和/>
Figure BDA0004023536230000105
其中/>
Figure BDA0004023536230000106
以及频次风险阈值FRs；根据以下规则评估相应风险:
若对任意单体i，都有
Figure BDA0004023536230000107
则不存在异常单体缺陷；
若存在单体i，
Figure BDA0004023536230000108
且FRi＞FRs，则存在异常单体缺陷，单体i为异常单体，否则不存在异常单体缺陷。
若存在单体i，
Figure BDA0004023536230000109
则存在异常单体缺陷，单体i为异常单体；
本发明实例优选
Figure BDA00040235362300001010
FRs＝0.5，但不限于此。
评估发生单体异常老化风险的过程包括：
基于由步骤五得到的m辆车的单体老化系数向量：[k1,k2,…,km]，与相应的阈值ks比较并计算老化速率风险因子ARR：
Figure BDA00040235362300001011
/>
设定老化速率风险阈值ARRs，当ARR≥ARRs时判定这m辆车存在单体异常老化风险；
本发明实例优选ks为所有车型车辆老化系数k的上四分位数、ARRs＝0.2，但不限于此。
评估单体异常散度风险的过程包括：
针对各温度区间为相应电压散度系数设定相应的阈值：Ss1,Ss2,…,Ssx，并基于由步骤五得到的m辆车的单体电压散度系数向量：
Figure BDA00040235362300001012
中各元素所属温度区间对应的阈值，按顺序构造阈值向量：/>
Figure BDA00040235362300001013
利用以下公式计算单体电压散度风险因子DR：
Figure BDA0004023536230000111
设定单体电压散度风险阈值DRs，当DR≥DRs时判定这m辆车存在单体异常散度风险。
本发明实例优选Ss1,Ss2,…,Ssx为特定温度区间下所有车型车辆散度系数S的上四分位数，DRs＝0.2，但不限于此。
应理解，本发明实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (7)

1.一种基于聚类分析的汽车电池单体一致性缺陷评估方法，其特征在于：具体包括以下步骤：
步骤一、新能源汽车大数据平台收集各电动汽车上相同规格电池单体的电压、电流、温度及对应的时间数据；对这些数据执行预处理，划分出车辆的充电片段与行驶片段；
步骤二、针对任意一个片段M对各单体i，分别计算单体i电压与其他单体电压之间的标准化相关系数，计算充电片段中单体i电压与所有单体电压均值之间差的绝对值，以及行驶片段中单体i电压与所有单体电压均值之间的豪斯多夫距离；
步骤三、利用步骤二得到的结果对电池单体执行K-means聚类，得到的异常单体与正常单体两个簇，并根据两个簇的簇中心对所有电池单体判定其具体所属的簇；
步骤四、根据步骤三得到的两个簇及簇中心计算片段M中正常单体簇与异常单体簇之间的邓恩指数，通过与预设的邓恩指数阈值比较，将大于该阈值时异常单体簇中的单体编号记录并报警；统计车辆q全生命周期所有片段中异常单体被记录的情况，并计算单体i的报警片段在总片段中所占比率fi；
步骤五、对充电片段计算正常簇内所有单体到簇中心的距离平均值S，并记录片段对应的行驶里程L、充电平均温度及温度变化范围；选取不同充电平均温度下对应的距离平均值S与行驶里程L并线性拟合，定义拟合的直线斜率为单体老化系数，所选取的S最大值为单体电压散度系数；
步骤六、定期对相同车型执行前述步骤，并根据所述fi评估发生单体缺陷的数量风险和频次风险，根据所述单体老化系数评估发生单体异常老化的风险，以及根据所述单体电压散度系数评估单体异常散度风险。
2.如权利要求1所述的方法，其特征在于：步骤一中执行的预处理具体包括：对在相同时间点采集的多帧数据去重，只保留一帧数据；当某帧电池单体电压缺少两个以上时，则删除该数据帧；以及根据相关数据项的标志位确定充电片段和行驶片段，若相邻同种片段时间间隔小于五分钟，则合并为同一片段。
3.如权利要求2所述的方法，其特征在于：步骤二具体包括：
首先，提取片段M中的m帧单体i电压提取其电压序列：[vi1 vi2 ... vim]；
对电压向量执行移动平均滤波，计算滤波结果的一阶差分并构造全部n个单体电压差分矩阵ΔVM：
Figure FDA0004023536220000011
对任意单体i的电压差分序列，计算其所有帧的平均值：
Figure FDA0004023536220000021
利用以下公式计算单体i电压与其他单体j电压之间的相关系数
Figure FDA0004023536220000022
/>
Figure FDA0004023536220000023
对单体i电压与其他单体电压之间的相关系数取均值
Figure FDA0004023536220000024
后通过标准化处理，从而得到所有单体的标准化相关系数向量：/>
Figure FDA0004023536220000025
从充电片段中提取最后5％SOC的各单体i电压序列[vi1 vi2 ... vim]，并计算其均值
Figure FDA0004023536220000026
Figure FDA0004023536220000027
计算
Figure FDA0004023536220000028
与所有单体电压平均值之差的绝对值di：
Figure FDA0004023536220000029
对上述计算结果执行标准化处理得到相应
Figure FDA00040235362200000210
对行驶片段则首先每一帧j的中各单体的平均电压得到平均电压序列
Figure FDA00040235362200000211
Figure FDA00040235362200000212
基于电压序列[vi1 vi2 … vim]与
Figure FDA00040235362200000213
两个序列计算得到各单体i的豪斯多夫距离：
Figure FDA00040235362200000214
对上述计算结果执行标准化处理得到相应
Figure FDA00040235362200000215
4.如权利要求3所述的方法，其特征在于：步骤三中所执行的K-means聚类具体过程如下：
利用步骤二得到的结果建立集合S＝{p1,p2,…,pn}，其中
Figure FDA0004023536220000031
执行聚类得到异常单体簇u1和正常单体簇u2，并簇数h置为2；
根据两簇的中心c1和c2分别选取对应的两个电池单体pi和pj，计算所有单体到两簇中心的欧氏距离并通过以下判定确定单体确所属的簇：
Figure FDA0004023536220000032
/>
对所有单体完成一轮上述判定后，按以下方式重新计算簇中心c1和c2：
Figure FDA0004023536220000033
重复上述欧氏距离的计算与单体所属簇的确定，直到簇中心不再发生改变。
5.如权利要求4所述的方法，其特征在于：步骤四中具体基于以下公式计算两簇之间的邓恩指数DVI：
Figure FDA0004023536220000034
其中，d(u1,u2)表示簇u1与u2中心之间的距离，max1≤k≤2d′(uk)表示簇u1或u2内部任意两点间距的最大值；
设定所述邓恩指数的阈值DVIs并与计算的DVI比较，若DVI＞DVIs，则保持h＝2同时记录异常单体簇中的单体编号及报警；否则将h置为1并等待执行下一次聚类；
统计车辆q全生命周期所有片段中异常单体被记录的情况得到向量：[f1,f2,…,fn]。
6.如权利要求5所述的方法，其特征在于：步骤五中确定单体老化系数和单体电压散度系数的具体过程包括：
对任意充电片段计算正常单体簇中所有单体到簇中心距离的平均值S，记录片段对应的行驶里程L，并利用各温度探针的传感数据计算所述充电平均温度TM和温度变化范围ΔTM：
Figure FDA0004023536220000035
Figure FDA0004023536220000036
其中，m为片段帧数，n为温度探针个数，
Figure FDA0004023536220000037
表示第i帧第j个探针测量温度；
以BMS系统故障诊断报警温度阈值
Figure FDA0004023536220000038
和/>
Figure FDA0004023536220000039
作为下界和上界，温度范围Td间隔，划定温度区间：/>
Figure FDA0004023536220000041
并创建对应的集合A0,A1,…,Ax；遍历全部充电片段，若某片段的ΔTM＞0.7Td，则跳过此片段并遍历下一片段；若片段的ΔTM≤0.7Td，则根据此片段的平均充电温度TM所属的温度区间
Figure FDA0004023536220000042
将对应的(Li,Si)存入集合Ai中；
从各集合中选择数据点最多的集合Amax，并利用其中的全部数据点(L1,S1),(L2,S2),…(Ln,Sn)执行基于最小二乘法的线性拟合，定义拟合得到的斜率k为单体老化系数，同时记录集合Amax中到正常单体簇中心距离最大值Smax作为单体电压散度系数。
7.如权利要求6所述的方法，其特征在于：步骤六中对某车型评估发生单体缺陷的数量风险和频次风险的具体过程包括：
基于通过步骤四得到m辆待评估车辆的以下矩阵：
Figure FDA0004023536220000043
其中，fi j表示车辆j的单体i报警片段数量占总片段数量比率；
利用以下公式分别计算数量风险指标QRi和频次风险指标FRi：
Figure FDA0004023536220000044
Figure FDA0004023536220000045
其中，num(fi j≠0)表示比率fi不为零的车辆数目，QRi表示比率fi不为零的车辆数目占总车辆百分比，FRi表示不为0的比率fi均值；
分别设定数量风险阈值
Figure FDA0004023536220000046
和/>
Figure FDA0004023536220000047
其中/>
Figure FDA0004023536220000048
以及频次风险阈值FRs；根据以下规则评估相应风险:
若对任意单体i，都有
Figure FDA0004023536220000049
则不存在异常单体缺陷；
若存在单体i，
Figure FDA00040235362200000410
且FRi＞FRs，则存在异常单体缺陷，单体i为异常单体，否则不存在异常单体缺陷。
若存在单体i，
Figure FDA00040235362200000411
则存在异常单体缺陷，单体i为异常单体；
评估发生单体异常老化风险的过程包括：
基于由步骤五得到的m辆车的单体老化系数向量：[k1,k2,…,km]，与相应的阈值ks比较并计算老化速率风险因子ARR：
Figure FDA00040235362200000412
设定老化速率风险阈值ARRs，当ARR≥ARRs时判定这m辆车存在单体异常老化风险；
评估单体异常散度风险的过程包括：
针对各温度区间为相应电压散度系数设定相应的阈值：Ss1,Ss2,…,Ssx，并基于由步骤五得到的m辆车的单体电压散度系数向量：
Figure FDA0004023536220000051
中各元素所属温度区间对应的阈值，按顺序构造阈值向量：/>
Figure FDA0004023536220000052
利用以下公式计算单体电压散度风险因子DR：
Figure FDA0004023536220000053
设定单体电压散度风险阈值DRs，当DR≥DRs时判定这m辆车存在单体异常散度风险。
CN202211696143.1A 2022-12-28 2022-12-28 一种基于聚类分析的汽车电池单体一致性缺陷评估方法 Pending CN116150572A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211696143.1A CN116150572A (zh) 2022-12-28 2022-12-28 一种基于聚类分析的汽车电池单体一致性缺陷评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211696143.1A CN116150572A (zh) 2022-12-28 2022-12-28 一种基于聚类分析的汽车电池单体一致性缺陷评估方法

Publications (1)

Publication Number Publication Date
CN116150572A true CN116150572A (zh) 2023-05-23

Family

ID=86350013

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211696143.1A Pending CN116150572A (zh) 2022-12-28 2022-12-28 一种基于聚类分析的汽车电池单体一致性缺陷评估方法

Country Status (1)

Country Link
CN (1) CN116150572A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117055668A (zh) * 2023-10-13 2023-11-14 山西聚源生物科技有限公司 食用菌工厂化生产环境控制系统
CN117705196A (zh) * 2024-01-31 2024-03-15 杭州高特电子设备股份有限公司 一种储能空调温度故障诊断方法及储能设备
CN117706377A (zh) * 2024-02-05 2024-03-15 国网上海能源互联网研究院有限公司 一种基于自适应聚类的电池不一致性辨识方法和装置
CN117706377B (zh) * 2024-02-05 2024-05-14 国网上海能源互联网研究院有限公司 一种基于自适应聚类的电池不一致性辨识方法和装置

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117055668A (zh) * 2023-10-13 2023-11-14 山西聚源生物科技有限公司 食用菌工厂化生产环境控制系统
CN117055668B (zh) * 2023-10-13 2023-12-12 山西聚源生物科技有限公司 食用菌工厂化生产环境控制系统
CN117705196A (zh) * 2024-01-31 2024-03-15 杭州高特电子设备股份有限公司 一种储能空调温度故障诊断方法及储能设备
CN117705196B (zh) * 2024-01-31 2024-05-03 杭州高特电子设备股份有限公司 一种储能空调温度故障诊断方法及储能设备
CN117706377A (zh) * 2024-02-05 2024-03-15 国网上海能源互联网研究院有限公司 一种基于自适应聚类的电池不一致性辨识方法和装置
CN117706377B (zh) * 2024-02-05 2024-05-14 国网上海能源互联网研究院有限公司 一种基于自适应聚类的电池不一致性辨识方法和装置

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
CN111707951B (zh) 一种电池组一致性评估方法及系统
Hong et al. Online accurate state of health estimation for battery systems on real-world electric vehicles with variable driving conditions considered
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
CN109061537B (zh) 基于观测器的电动车辆锂离子电池传感器故障诊断方法
CN114312322B (zh) 车辆检测方法及装置
CN113030761B (zh) 一种超大规模储能电站电池健康状态的评估方法及系统
CN114545234A (zh) 一种基于电池温度梯度变化监测电池状态的方法
CN114839536A (zh) 一种基于多健康因子的锂离子电池健康状态估计方法
Yao et al. Fault identification of lithium-ion battery pack for electric vehicle based on ga optimized ELM neural network
Li et al. A novel method for lithium-ion battery fault diagnosis of electric vehicle based on real-time voltage
CN115327417A (zh) 一种动力电池单体异常的预警方法、系统及电子设备
CN114036647A (zh) 一种基于实车数据的动力电池安全风险评估方法
CN114460481A (zh) 基于Bi-LSTM和注意力机制的储能电池热失控预警方法
CN114580496A (zh) 一种锂离子电池单体故障自检测方法
CN114646888A (zh) 一种动力电池容量衰减的评估方法及系统
Wang et al. Large-scale field data-based battery aging prediction driven by statistical features and machine learning
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
CN116973763A (zh) 一种锂电池包热失控预警方法和装置
CN114325449B (zh) 一种锂离子电池soh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
CN115563768A (zh) 基于蒙特卡洛模拟的新能源汽车控制策略阈值分析方法
CN115128468A (zh) 一种化学储能电池phm欠压故障预测方法
CN116804715A (zh) 一种判断导致电池系统出现不一致原因的方法
Kamali et al. ANN-based State of Charge Estimation of Li-ion Batteries for Embedded Applications

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