CN116298993A - 一种电芯内阻异常识别方法、装置及终端设备 - Google Patents
一种电芯内阻异常识别方法、装置及终端设备 Download PDFInfo
- Publication number
- CN116298993A CN116298993A CN202211661670.9A CN202211661670A CN116298993A CN 116298993 A CN116298993 A CN 116298993A CN 202211661670 A CN202211661670 A CN 202211661670A CN 116298993 A CN116298993 A CN 116298993A
- Authority
- CN
- China
- Prior art keywords
- internal resistance
- abnormal
- battery
- current
- battery cell
- 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
Classifications
-
- 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
- B60L58/12—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to state of charge [SoC]
-
- 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
- B60L50/00—Electric propulsion with power supplied within the vehicle
- B60L50/50—Electric propulsion with power supplied within the vehicle using propulsion power supplied by batteries or fuel cells
- B60L50/60—Electric propulsion with power supplied within the vehicle using propulsion power supplied by batteries or fuel cells using power supplied by batteries
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/175—Indicating the instants of passage of current or voltage through a given value, e.g. passage through zero
-
- 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
- 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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
- G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements
-
- 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]
- G01R31/389—Measuring internal impedance, internal conductance or related variables
-
- 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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- 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
Abstract
本发明公开了一种电芯内阻异常识别方法、装置及终端设备,在车辆处于分段恒流充电或放电的工况下确定有效的电流阶跃点;根据阶跃时刻前后的电压数据和电流数据计算每个电芯的内阻值,以判断同一动力电池中是否出现内阻值异常的异常电芯;若是,则获取异常电芯的影响因素,影响因素包括电芯类型及其在阶跃时刻的温度、阶跃电流、SOC和SOH;将影响因素与若干组五维区间进行比较,确定影响因素所属的目标五维区间;从全量车的动力电池对应的内阻极值中筛选出属于目标五维区间的所有内阻极值并与异常电芯的内阻值构成数据集;对数据集进行统计分析,获得异常电芯的内阻识别结果;从而能够快速识别异常电芯,并且计算方式简单,支持多场景应用。
Description
技术领域
本发明涉及动力电池技术领域,尤其涉及一种电芯内阻异常识别方法、装置及终端设备。
背景技术
随着新能源汽车相关技术的快速发展,动力电池也越来越广泛地应用于新能源汽车中,并且动力电池的性能对新能源汽车的安全行驶有着重要影响,其中,电池包内各个电芯的一致性是动力电池性能的一个重要体现,而电芯内阻出现异常将会带来充放电一致性变差等问题,因此,电芯内阻异常监控具有十分重要的意义。
但是,电芯内阻是一个相对比较复杂的参数,除了与电压、电流有关之外,还与电池包的其他相关参数有关,要实时计算出电芯内阻并快速判断电芯内阻是否异常是比较困难的,并且现有技术提供的电芯内阻计算方案,计算过程比较繁琐,应用场景的限制较多,往往只适用于特定场景。
发明内容
本发明实施例的目的在于,提供一种电芯内阻异常识别方法、装置及终端设备,能够快速计算电芯内阻,快速识别异常电芯,并且计算方式简单,支持多场景应用。
为了实现上述目的,本发明实施例提供了一种电芯内阻异常识别方法,包括:
在车辆处于分段恒流充电或放电的工况下,检测动力电池的电流变化状态并确定有效的电流阶跃点;其中,所述动力电池中包括若干个电芯;
针对每一个有效的电流阶跃点对应的阶跃时刻,根据阶跃时刻前后的电压数据和电流数据分别计算每一个电芯的内阻值;
针对全量车的动力电池,根据每一个动力电池中的所有电芯的内阻值判断同一个动力电池中是否出现内阻值异常的异常电芯;
当同一个动力电池中出现异常电芯时,获取所述异常电芯的影响因素;其中,所述影响因素包括所述异常电芯的电芯类型及其在阶跃时刻对应的温度、阶跃电流、SOC和SOH;
将所述影响因素与预设的若干组五维区间进行比较,确定所述影响因素属于哪一组五维区间并作为目标五维区间;其中,每一组五维区间包括电芯类型、温度区间、阶跃电流区间、SOC区间和SOH区间;
从全量车的动力电池对应的内阻极值中筛选出属于所述目标五维区间的所有的内阻极值,并与所述异常电芯的内阻值构成数据集;
通过对所述数据集进行统计分析,获得所述异常电芯的内阻识别结果。
进一步地,所述检测动力电池的电流变化状态并确定有效的电流阶跃点,具体包括:
检测动力电池的电流变化状态以确定电流阶跃点及其对应的时刻t;
当满足ΔI>x,且在t-y~t和t+1~t+y的时间窗口内Imax-Imin≤z时,确定电流阶跃点为有效的电流阶跃点,否则,确定电流阶跃点为无效的电流阶跃点;
其中,ΔI表示电流阶跃前后的电流变化的绝对值,Imax和Imin分别表示在对应的时间窗口内的电流最大值和电流最小值,0.1C≤x≤0.5C,30s≤y≤120s,0.005C≤z≤0.01C,C表示充放电倍率。
进一步地,所述电芯类型至少包括三元电池和磷酸铁锂电池,所述温度区间包括[Tmin,0)和[0,Tmax],所述阶跃电流区间包括[ΔImin,1C]和(1C,ΔImax],所述SOC区间包括[0%,30%)、[30%,70%)和[70%,100%],所述SOH区间包括[0%,80%)、[80%,90%)和[90%,100%];
其中,Tmin和Tmax分别表示温度下限值和温度上限值,ΔImin和ΔImax分别表示阶跃电流的最小值和最大值,C表示充放电倍率。
进一步地,所述从全量车的动力电池对应的内阻极值中筛选出属于所述目标五维区间的所有的内阻极值,并与所述异常电芯的内阻值构成数据集,具体包括:
针对全量车的动力电池,在每一次计算每一个电芯的内阻值之后,获取每一个动力电池中的所有电芯的内阻值中的内阻极大值和内阻极小值,并获取内阻极大值对应的电芯的第一影响因素和内阻极小值对应的电芯的第二影响因素;
将全量车的动力电池对应的第一影响因素和第二影响因素分别与预设的若干组五维区间进行比较,筛选出属于所述目标五维区间的所有的内阻极大值和内阻极小值;
根据筛选出的内阻极大值和内阻极小值以及所述异常电芯的内阻值构成数据集。
进一步地,所述通过对所述数据集进行统计分析,获得所述异常电芯的内阻识别结果,具体包括:
根据所述数据集中的所有内阻极大值计算获得第一内阻平均值Rmax_avg和第一标准差δmax,并根据所述数据集中的所有内阻极小值计算获得第二内阻平均值Rmin_avg和第二标准差δmin;
当所述异常电芯的内阻值处于[Rmin_avg-n1*δmin,Rmax_avg+n1*δmax]之外时,获得所述异常电芯的内阻识别结果为内阻异常,否则,获得所述异常电芯的内阻识别结果为内阻正常;其中,n1≥3。
进一步地,所述通过对所述数据集进行统计分析,获得所述异常电芯的内阻识别结果,具体包括:
对所述数据集中的所有内阻极大值进行统计分析,确定最大内阻阈值Rmax_th,并对所述数据集中的所有内阻极小值进行统计分析,确定最小内阻阈值Rmin_th;
当所述异常电芯的内阻值处于[Rmin_th,Rmax_th]之外时,获得所述异常电芯的内阻识别结果为内阻异常,否则,获得所述异常电芯的内阻识别结果为内阻正常。
进一步地,所述根据阶跃时刻前后的电压数据和电流数据分别计算每一个电芯的内阻值,具体包括:
根据阶跃时刻前后的电压数据和电流数据,获取每一个电芯在阶跃时刻前的第一电压和第一电流以及在阶跃时刻后的第二电压和第二电流;
根据每一个电芯的第一电压和第二电压,计算每一个电芯对应的电压变化值;
根据每一个电芯的第一电流和第二电流,计算每一个电芯对应的电流变化值;
根据每一个电芯对应的电压变化值与电流变化值,分别计算每一个电芯的内阻值。
进一步地,所述根据每一个动力电池中的所有电芯的内阻值判断同一个动力电池中是否出现内阻值异常的异常电芯,具体包括:
根据每一个动力电池中的所有电芯的内阻值,计算同一个动力电池中的所有电芯的内阻平均值Ravg和标准差δ;
根据每一个动力电池对应的内阻平均值Ravg和标准差δ,判断同一个动力电池中是否出现内阻值异常的异常电芯;其中,将内阻值处于[Ravg-n2*δ,Ravg+n2*δ]之外的电芯标记为异常电芯,n2≥3。
为了实现上述目的,本发明实施例还提供了一种电芯内阻异常识别装置,用于实现上述任一项所述的电芯内阻异常识别方法,所述装置包括:
有效阶跃点识别模块,用于在车辆处于分段恒流充电或放电的工况下,检测动力电池的电流变化状态并确定有效的电流阶跃点;其中,所述动力电池中包括若干个电芯;
电芯内阻值计算模块,用于针对每一个有效的电流阶跃点对应的阶跃时刻,根据阶跃时刻前后的电压数据和电流数据分别计算每一个电芯的内阻值;
第一内阻异常识别模块,用于针对全量车的动力电池,根据每一个动力电池中的所有电芯的内阻值判断同一个动力电池中是否出现内阻值异常的异常电芯;
异常电芯影响因素获取模块,用于当同一个动力电池中出现异常电芯时,获取所述异常电芯的影响因素;其中,所述影响因素包括所述异常电芯的电芯类型及其在阶跃时刻对应的温度、阶跃电流、SOC和SOH;
异常电芯目前区间确定模块,用于将所述影响因素与预设的若干组五维区间进行比较,确定所述影响因素属于哪一组五维区间并作为目标五维区间;其中,每一组五维区间包括电芯类型、温度区间、阶跃电流区间、SOC区间和SOH区间;
异常电芯数据集构成模块,用于从全量车的动力电池对应的内阻极值中筛选出属于所述目标五维区间的所有的内阻极值,并与所述异常电芯的内阻值构成数据集;
第二内阻异常识别模块,用于通过对所述数据集进行统计分析,获得所述异常电芯的内阻识别结果。
本发明实施例还提供了一种终端设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器在执行所述计算机程序时实现上述任一项所述的电芯内阻异常识别方法。
与现有技术相比,本发明实施例提供了一种电芯内阻异常识别方法、装置及终端设备,在车辆处于分段恒流充电或放电的工况下,检测动力电池的电流变化状态并确定有效的电流阶跃点;针对每一个有效的电流阶跃点对应的阶跃时刻,根据阶跃时刻前后的电压数据和电流数据分别计算动力电池中的每一个电芯的内阻值;针对全量车的动力电池,根据每一个动力电池中的所有电芯的内阻值,判断同一个动力电池中是否出现内阻值异常的异常电芯;当同一个动力电池中出现异常电芯时,先获取异常电芯的影响因素,其中,影响因素包括异常电芯的电芯类型及其在阶跃时刻对应的温度、阶跃电流、SOC和SOH,并将影响因素与预设的若干组五维区间进行比较,确定影响因素属于哪一组五维区间并作为目标五维区间;再从全量车的动力电池对应的内阻极值中筛选出属于目标五维区间的所有的内阻极值,并与异常电芯的内阻值构成数据集;最后通过对数据集进行统计分析,获得异常电芯的内阻识别结果;从而能够快速计算电芯内阻,快速识别异常电芯,并且计算方式简单,支持多场景应用。
附图说明
图1是本发明提供的一种电芯内阻异常识别方法的一个优选实施例的流程图;
图2是本发明提供的一种电芯内阻异常识别装置的一个优选实施例的结构框图;
图3是本发明提供的一种终端设备的一个优选实施例的结构框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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,本技术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,都属于本发明保护的范围。
本发明实施例提供了一种电芯内阻异常识别方法,参见图1所示,是本发明提供的一种电芯内阻异常识别方法的一个优选实施例的流程图,所述方法包括步骤S11至步骤S17:
步骤S11、在车辆处于分段恒流充电或放电的工况下,检测动力电池的电流变化状态并确定有效的电流阶跃点;其中,所述动力电池中包括若干个电芯;
步骤S12、针对每一个有效的电流阶跃点对应的阶跃时刻,根据阶跃时刻前后的电压数据和电流数据分别计算每一个电芯的内阻值;
步骤S13、针对全量车的动力电池,根据每一个动力电池中的所有电芯的内阻值判断同一个动力电池中是否出现内阻值异常的异常电芯;
步骤S14、当同一个动力电池中出现异常电芯时,获取所述异常电芯的影响因素;其中,所述影响因素包括所述异常电芯的电芯类型及其在阶跃时刻对应的温度、阶跃电流、SOC和SOH;
步骤S15、将所述影响因素与预设的若干组五维区间进行比较,确定所述影响因素属于哪一组五维区间并作为目标五维区间;其中,每一组五维区间包括电芯类型、温度区间、阶跃电流区间、SOC区间和SOH区间;
步骤S16、从全量车的动力电池对应的内阻极值中筛选出属于所述目标五维区间的所有的内阻极值,并与所述异常电芯的内阻值构成数据集;
步骤S17、通过对所述数据集进行统计分析,获得所述异常电芯的内阻识别结果。
需要说明的是,在全量车中,每一辆车对应包括一个动力电池,一个动力电池即为一个电池包,一个电池包中一般包括不止一个电芯,可以利用每一辆车在分段恒流充电或放电工况下的动力电池的电流阶跃,来分别计算每一个动力电池中的每一个电芯的内阻值。
具体的,在车辆处于分段恒流充电或放电的工况下,检测车辆中的动力电池的电流变化状态,并根据电流变化状态确定有效的电流阶跃点;针对每一个有效的电流阶跃点所对应的阶跃时刻(即电流发生阶跃的时间点),获取阶跃时刻前最后一次采集到的动力电池的电压数据和电流数据,并获取阶跃时刻后第一次采集到的动力电池的电压数据和电流数据,根据阶跃时刻前后的电压数据和电流数据分别计算动力电池中的每一个电芯的内阻值;同理,可以相应获得全量车所对应的动力电池中的每一个电芯的内阻值,针对每一个动力电池,均将同一个动力电池中的所有电芯的内阻值进行对比,判断同一个动力电池中是否出现内阻值异常的异常电芯;一旦判定同一个动力电池中出现异常电芯,则获取该异常电芯所对应的影响因素,其中,影响因素主要包括该异常电芯的电芯类型,以及该异常电芯在阶跃时刻所对应的温度、阶跃电流、SOC(State of Charge,荷电状态)和SOH(State ofHealth,健康状态);将该异常电芯的影响因素与预先设置的若干组五维区间进行比较,以确定该异常电芯的影响因素属于若干组五维区间中的哪一组五维区间(即确定该异常电芯属于若干组五维区间中的哪一组五维区间),并将该异常电芯的影响因素所属的五维区间作为目标五维区间,其中,本发明实施例预先设置的若干组五维区间,每一组五维区间均由电芯类型、温度、阶跃电流、SOC和SOH这五个维度对应的取值区间构成(与影响因素的五个维度相对应),每一组五维区间均包括一个电芯类型、一个温度区间、一个阶跃电流区间、一个SOC区间和一个SOH区间;在确定该异常电芯所对应的目标五维区间之后,可以从同一个动力电池内的内阻对比,扩大到全量车所对应的全量动力电池维度进行内阻对比:针对全辆车所对应的动力电池,先从所有的动力电池所包含的所有电芯中,确定与该异常电芯同属于目标五维区间的所有的电芯的相关数据,即,针对每一个动力电池,根据同一个动力电池中的所有电芯的内阻值找出其中的内阻极值,并获取内阻极值对应的电芯的影响因素,同理,将内阻极值对应的电芯的影响因素与预先设置的若干组五维区间进行比较,以确定内阻极值对应的电芯的影响因素属于若干组五维区间中的哪一组五维区间(即确定内阻极值对应的电芯属于若干组五维区间中的哪一组五维区间),相应的,可以确定每一个动力电池所对应的内阻极值对应的电芯属于若干组五维区间中的哪一组五维区间,则,从每一个动力电池所对应的内阻极值中筛选出属于上述目标五维区间的所有的内阻极值,并将筛选出的所有的内阻极值与该异常电芯的内阻值集合在一起构成数据集;再通过对构成的数据集进行统计分析,可以获得该异常电芯的内阻识别结果;相应的,若最终认为该异常电芯的内阻异常,则可以触发告警。
其中,在车辆处于分段恒流充电或放电的工况下,动力电池的电流一般呈阶跃式变化,而在电流变化过程中可以捕捉到多个电流阶跃点,并不是每一个电流阶跃点都能满足一定要求,因此,需要从多个电流阶跃点中寻找有效的电流阶跃点,并且有效的电流阶跃点可能不止一个,在每一次捕捉到有效的电流阶跃点时,均可以通过执行本发明实施例提供的技术方案以实现电芯内阻的异常监控。
可以理解的,考虑到电芯的内阻受电芯类型、温度、阶跃电流、SOC和SOH等因素的影响,在识别内阻异常的电芯时,为了排除上述因素的影响,可以先选择同一个动力电池内的所有电芯的内阻值进行对比,若判定同一个动力电池中存在内阻异常的电芯,再扩大到全量动力电池维度进行对比;通过全量动力电池维度的内阻对比,可以找出内阻离群的异常电芯,但是,由于不同电芯的内阻计算的工况不同,会使得计算结果不具备可比性(以“老化程度(即SOH)”为例,一块使用过很久的旧电池,与多个刚使用的新电池放在一起进行比较,旧电池的内阻会离群,但这并不能证明旧电池的内阻一定有问题,因为随着电池的老化,旧电池的内阻本就应该偏高,因此,旧电池应该与一些状态接近的电池去比较,而不应该与新电池去比较),因此,在进行全量动力电池维度的内阻对比时,可以基于电池机理,从电芯类型、温度、阶跃电流、SOC和SOH等维度,按照不同的取值划分区间,在电池各自所属的同一组区间内进行对比,以保证计算结果具有可比性,并且只有当通过同一个动力电池内部的电芯内阻对比以及通过不同动力电池之间的电芯内阻对比,均判定某一个电芯的内阻异常时,才认为该电芯的内阻异常,触发告警。
需要说明的是,本发明实施例的执行步骤主要包括两个环节,一是内阻计算,二是异常识别,对于内阻计算,由于需要通过滑窗分析电流的平稳性,仅根据传统的车端数据难以实现,对于异常识别,由于需要全量动力电池进行大数据分析,仅依靠单车是难以实现的,必须利用云端数据进行计算分析,因此,在本发明实施例中,所使用的动力电池的相关数据均为云端数据,即,本发明实施例是利用云端数据进行内阻分析。
本发明实施例所提供的一种电芯内阻异常识别方法,利用分段恒流充电或放电工况下的电流阶跃计算电芯的内阻值,并且先通过同一个动力电池内的各个电芯的内阻值对比,找出异常电芯,再扩大到全量动力电池维度,通过不同的动力电池之间的内阻值对比,进一步确定异常电芯,最终识别电芯内阻是否异常,从而能够快速计算电芯的内阻值,快速识别出异常电芯,并且计算方式简单,易于实施,支持多场景应用,同时,综合动力电池内部和不同动力电池之间的对比分析,还能避免误判,提高异常电芯识别的准确性。
在另一个优选实施例中,所述检测动力电池的电流变化状态并确定有效的电流阶跃点,具体包括:
检测动力电池的电流变化状态以确定电流阶跃点及其对应的时刻t;
当满足ΔI>x,且在t-y~t和t+1~t+y的时间窗口内Imax-Imin≤z时,确定电流阶跃点为有效的电流阶跃点,否则,确定电流阶跃点为无效的电流阶跃点;
其中,ΔI表示电流阶跃前后的电流变化的绝对值,Imax和Imin分别表示在对应的时间窗口内的电流最大值和电流最小值,0.1C≤x≤0.5C,30s≤y≤120s,0.005C≤z≤0.01C,C表示充放电倍率。
具体的,结合上述实施例,在确定有效的电流阶跃点时,先根据动力电池的电流变化状态确定多个电流阶跃点以及每一个电流阶跃点对应的时刻,再根据预先设置的判断条件,分别判断每一个电流阶跃点是否满足判断条件,若满足,则判定对应的电流阶跃点有效,否则,判定对应的电流阶跃点无效。
其中,对每一个电流阶跃点的判断方法相同,以任意一个电流阶跃点及其对应的时刻t为例进行说明:获取该电流阶跃点在电流阶跃前后的电流变化的绝对值ΔI,记时刻t对应的电流为It安,时刻t+1对应的电流为It+1安,则ΔI=|It-It+1|;获取t-y~t的时间窗口内的电流最大值Imax和电流最小值Imin,并获取t+1~t+y的时间窗口内的电流最大值Imax和电流最小值Imin;当该电流阶跃点在电流阶跃前后的电流变化的绝对值ΔI满足ΔI>x,且在t-y~t的时间窗口内的电流最大值Imax和电流最小值Imin满足Imax-Imin≤z,且在t+1~t+y的时间窗口内的电流最大值Imax和电流最小值Imin满足Imax-Imin≤z时,判定该电流阶跃点为有效的电流阶跃点。
需要说明的是,为了保证计算结果的有效性,要求ΔI>x,x不能设置的太小,太小会导致内阻值计算不准确,x也不能设置的太大,太大会导致很难从多个电流阶跃点中找到满足要求的有效的电流阶跃点;优选地,x的取值范围可以设置为[0.1C,0.5C],其中,C表示充放电倍率;例如,对于200Ah的电池,0.1C相当于200*0.1=20A。
需要说明的是,在设置时间滑动窗口时,电流阶跃后的时间窗口为t+1~t+y,是从t+1开始的,这样能够避免时刻t与时刻t+1之间的大电流阶跃(即ΔI)影响判断结果,对于y,y的时间长短代表电池去极化的过程,同样会直接影响内阻计算的准确性;优选地,y的取值范围可以设置为[30秒,120秒]。
需要说明的是,对于z,z代表电流阶跃点前后的电流的稳定性,反映的是时间窗口内电流变化的幅度,在本发明实施例中,希望这个幅度越小越好;优选地,z的取值范围可以设置为[0.005C,0.01C],其中,C表示充放电倍率;例如,对于200Ah的电池,0.01C相当于200*0.01=0A。
可以理解的,关于x、y和z的取值范围,也可以根据实际需要设置为其他值,本发明实施例不作具体限定。
在又一个优选实施例中,所述电芯类型至少包括三元电池和磷酸铁锂电池,所述温度区间包括[Tmin,0)和[0,Tmax],所述阶跃电流区间包括[ΔImin,1C]和(1C,ΔImax],所述SOC区间包括[0%,30%)、[30%,70%)和[70%,100%],所述SOH区间包括[0%,80%)、[80%,90%)和[90%,100%];
其中,Tmin和Tmax分别表示温度下限值和温度上限值,ΔImin和ΔImax分别表示阶跃电流的最小值和最大值,C表示充放电倍率。
具体的,结合上述实施例,在预先设置若干组五维区间时,可以先基于电芯类型、温度、阶跃电流、SOC和SOH这五个维度中的每一个维度进行区间划分,再依次从每一个维度划分的区间中选择一个区间,进行不同维度的区间组合,相应获得若干组五维区间。
其中,在电芯类型维度,至少划分两个区间,分别为三元电池和磷酸铁锂电池(本发明实施例适用于所有类型的电芯,包括但不限于三元电池和磷酸铁锂电池),在温度维度,划分两个温度区间,分别为[Tmin,0)和[0,Tmax],在阶跃电流维度,划分两个阶跃电流区间,分别为[ΔImin,1C]和(1C,ΔImax],在SOC维度,划分三个SOC区间,分别为[0%,30%)、[30%,70%)和[70%,100%],在SOH维度,划分三个SOH区间,分别为[0%,80%)、[80%,90%)和[90%,100%],相应的,基于上述五个维度的区间划分数量,共可以获得72(2*2*2*3*3=72)组不同的五维区间。
结合上述实施例,在每一次计算每一个电芯的内阻值时,可以首先确定电芯的电芯类型以及对应的阶跃时刻,有了时间信息,即可容易获取在阶跃时刻电芯所对应的温度T、阶跃电流ΔI、SOC和SOH,于是每一次计算内阻,每一个电芯就有了对应的五个维度的标签,基于这些标签,就可以判断每一个电芯属于72组五维区间中的哪一组五维区间。示例性的,表1给出了两个电芯的例子说明电芯标签与五维区间的匹配情况。
表1电芯标签与所属区间表
需要说明的是,对于温度T,根据经验,一般选择0℃作为高低温区间的分界点,并且电池有使用温度要求,Tmin为电池使用的温度下限值(例如Tmin=-30℃),Tmax为电池使用的温度上限值(例如Tmax=55℃),不同的厂家生产的电池所对应的温度使用界限不尽相同。
需要说明的是,对于阶跃电流ΔI,指的是电流阶跃的绝对值,即ΔI=|It-It+1|,一般以1C为阶跃电流区间的分界点,ΔImin为阶跃电流的最小值(要求ΔImin>z安),ΔImax为阶跃电流的最大值(例如ΔImax=2C),视电池实际情况而定。
需要说明的是,对于荷电量SOC,单位是百分比%,0%代表电量为空,100%代表电量为满,可以根据经验,将SOC划分为:0%~30%代表低电量,30%~70%代表中间电量,70%~100%代表高电量;荷电量对内阻有直接的影响,一般低电量和高电量时内阻较大,中间电量时内阻值较小。
需要说明的是,对于老化程度SOH,表示电池的健康状态,单位是百分比%,可以根据经验,将电池分为三个阶段:老年、中年和青年,对应的SOH区间分别是[0%,80%),[80%,90%),[90%,100%]。
可以理解的,关于电芯类型、温度、阶跃电流、SOC和SOH这五个维度的区间划分,也可以根据实际需要进行设置,本发明实施例不作具体限定。
在又一个优选实施例中,所述从全量车的动力电池对应的内阻极值中筛选出属于所述目标五维区间的所有的内阻极值,并与所述异常电芯的内阻值构成数据集,具体包括:
针对全量车的动力电池,在每一次计算每一个电芯的内阻值之后,获取每一个动力电池中的所有电芯的内阻值中的内阻极大值和内阻极小值,并获取内阻极大值对应的电芯的第一影响因素和内阻极小值对应的电芯的第二影响因素;
将全量车的动力电池对应的第一影响因素和第二影响因素分别与预设的若干组五维区间进行比较,筛选出属于所述目标五维区间的所有的内阻极大值和内阻极小值;
根据筛选出的内阻极大值和内阻极小值以及所述异常电芯的内阻值构成数据集。
具体的,结合上述实施例,在根据上述实施例中的异常电芯的内阻值和全量车的动力电池对应的内阻极值构成数据集时,针对全量车所对应的所有动力电池,可以在每一次计算获得每一个电芯的内阻值之后,根据同一个动力电池中的所有电芯的内阻值找出同一个动力电池所对应的内阻极大值和内阻极小值,并获取内阻极大值对应的电芯的第一影响因素和内阻极小值对应的电芯的第二影响因素,相应获得每一个动力电池所对应的内阻极大值和内阻极小值,以及,获得每一个动力电池所对应的第一影响因素和第二影响因素;将所有的动力电池所对应的第一影响因素和第二影响因素分别与预先设置的若干组五维区间进行比较,以确定每一个动力电池所对应的内阻极大值对应的电芯属于若干组五维区间中的哪一组五维区间,以及,确定每一个动力电池所对应的内阻极小值对应的电芯属于若干组五维区间中的哪一组五维区间,则,根据每一个动力电池所对应的内阻极大值对应的电芯所属的五维区间和内阻极小值对应的电芯所属的五维区间,从中筛选出与该异常电芯所属的目标五维区间相同的五维区间所对应的所有的内阻极大值和内阻极小值,并将筛选出的所有的内阻极大值和内阻极小值与该异常电芯的内阻值集合在一起构成数据集。
可以理解的,对于每一个动力电池来说,每次确定有效的电流阶跃点时,均会进行每一个电芯的内阻值计算,相应生成一组包含该动力电池内的所有电芯的内阻数据,从这一组电芯内阻数据中找出最大值和最小值,即代表该动力电池所对应的内阻极大值和内阻极小值。示例性的,表2给出了某个动力电池中的两个电芯的例子说明经过一次内阻值计算后会获得的电芯内阻数据。
表2电芯内阻数据表
根据上述内容可知,每一次内阻计算均会得到每一个动力电池的内阻极大值和内阻极小值,同时每一个电芯也有对应的电芯标签,假设进行了10万次的采样,于是就有10万个内阻极大值和10万个内阻极小值,按标签归类到对应的区间,共有72个区间,假设每个区间都是平均分配的,那么每个区间有1300多个内阻极大值数据和1300多个内阻极小值数据,可以理解为,这些内阻极大值数据和内阻极小值数据就构成了某一组五维区间对应的数据集。
而在同一组五维区间内,通过统计分析,内阻数据会呈现某种分布,例如高斯分布,因此,可以通过求取均值和标准差来反映内阻数据的分布情况。
在又一个优选实施例中,所述通过对所述数据集进行统计分析,获得所述异常电芯的内阻识别结果,具体包括:
根据所述数据集中的所有内阻极大值计算获得第一内阻平均值Rmax_avg和第一标准差δmax,并根据所述数据集中的所有内阻极小值计算获得第二内阻平均值Rmin_avg和第二标准差δmin;
当所述异常电芯的内阻值处于[Rmin_avg-n1*δmin,Rmax_avg+n1*δmax]之外时,获得所述异常电芯的内阻识别结果为内阻异常,否则,获得所述异常电芯的内阻识别结果为内阻正常;其中,n1≥3。
具体的,结合上述实施例,在获得上述实施例中的异常电芯所属的目标五维区间所对应的内阻极值数据集之后,可以通过对构成的数据集进行统计分析,来获得该异常电芯的内阻识别结果,其中一种有效的统计分析方法为n-δ离群分析,在具体实施时,先根据构成的数据集中的所有的内阻极大值计算获得第一内阻平均值Rmax_avg和第一标准差δmax,由第一内阻平均值Rmax_avg和第一标准差δmax构成第一内阻比较阈值(即Rmax_avg+n1*δmax),并根据构成的数据集中的所有的内阻极小值计算获得第二内阻平均值Rmin_avg和第二标准差δmin,由第二内阻平均值Rmin_avg和第二标准差δmin构成第二内阻比较阈值(即Rmin_avg-n1*δmin);再将该异常电芯的内阻值分别与第一内阻比较阈值和第二内阻比较阈值进行比较,当该异常电芯的内阻值处于[Rmin_avg-n1*δmin,Rmax_avg+n1*δmax]范围之外时,最终获得该异常电芯的内阻识别结果为内阻异常,即,若该异常电芯的内阻值>第一内阻比较阈值,或者,若该异常电芯的内阻值<第二内阻比较阈值,则认为该异常电芯的内阻值异常;当该异常电芯的内阻值处于[Rmin_avg-n1*δmin,Rmax_avg+n1*δmax]范围之内时,获得该异常电芯的内阻识别结果为内阻正常,即,若第二内阻比较阈值≤该异常电芯的内阻值≤第一内阻比较阈值,则认为该异常电芯的内阻值正常。
需要说明的是,n1可以预先标定,n1的取值范围一般为n1≥3。
在又一个优选实施例中,所述通过对所述数据集进行统计分析,获得所述异常电芯的内阻识别结果,具体包括:
对所述数据集中的所有内阻极大值进行统计分析,确定最大内阻阈值Rmax_th,并对所述数据集中的所有内阻极小值进行统计分析,确定最小内阻阈值Rmin_th;
当所述异常电芯的内阻值处于[Rmin_th,Rmax_th]之外时,获得所述异常电芯的内阻识别结果为内阻异常,否则,获得所述异常电芯的内阻识别结果为内阻正常。
具体的,结合上述实施例,在获得上述实施例中的异常电芯所属的目标五维区间所对应的内阻极值数据集之后,可以通过对构成的数据集进行统计分析,来获得该异常电芯的内阻识别结果,另一种统计分析方法为经验阈值分析,在具体实施时,先通过对构成的数据集中的所有的内阻极大值进行统计分析,对应确定最大内阻阈值Rmax_th,并对构成的数据集中的所有的内阻极小值进行统计分析,对应确定最小内阻阈值Rmin_th;再将该异常电芯的内阻值分别与最大内阻阈值Rmax_th和最小内阻阈值Rmin_th进行比较,当该异常电芯的内阻值处于[Rmin_th,Rmax_th]范围之外时,最终获得该异常电芯的内阻识别结果为内阻异常,即,若该异常电芯的内阻值>最大内阻阈值Rmax_th,或者,若该异常电芯的内阻值<最小内阻阈值Rmin_th,则认为该异常电芯的内阻值异常;当该异常电芯的内阻值处于[Rmin_th,Rmax_th]范围之内时,获得该异常电芯的内阻识别结果为内阻正常,即,若最小内阻阈值Rmin_th≤该异常电芯的内阻值≤最大内阻阈值Rmax_th,则认为该异常电芯的内阻值正常。
需要说明的是,n-δ离群分析是经典的统计学分析方法,对呈高斯分布的数据分析很有效,对非高斯分布的数据分析则效果变差;经验阈值分析,顾名思义,是对经验的总结,优点在于可解释性强,缺点在于对经验未涉及到的复杂场景难以设置出准确的阈值。
可以理解的,除了采样上述实施例中的n-δ离群分析和经验阈值分析这两种统计分析方法之外,还可以采用现有的其他适用的统计分析方法对构成的数据集进行统计分析,具体采用哪一种统计分析方法可以根据实际需要和数据特点进行选择,本发明实施例不作具体限定。
在又一个优选实施例中,所述根据阶跃时刻前后的电压数据和电流数据分别计算每一个电芯的内阻值,具体包括:
根据阶跃时刻前后的电压数据和电流数据,获取每一个电芯在阶跃时刻前的第一电压和第一电流以及在阶跃时刻后的第二电压和第二电流;
根据每一个电芯的第一电压和第二电压,计算每一个电芯对应的电压变化值;
根据每一个电芯的第一电流和第二电流,计算每一个电芯对应的电流变化值;
根据每一个电芯对应的电压变化值与电流变化值,分别计算每一个电芯的内阻值。
具体的,结合上述实施例,在根据阶跃时刻前后的电压数据和电流数据分别计算每一个电芯的内阻值时,可以先根据阶跃时刻前的电压数据和电流数据,对应获取每一个电芯在阶跃时刻前的第一电压和第一电流,并根据阶跃时刻后的电压数据和电流数据,对应获取每一个电芯在阶跃时刻后的第二电压和第二电流;再根据每一个电芯的第一电压和第二电压,计算获得每一个电芯对应的电压变化值,并根据每一个电芯的第一电流和第二电流,计算获得每一个电芯对应的电流变化值;最后,根据计算获得的每一个电芯对应的电压变化值与电流变化值,分别计算每一个电芯的内阻值,其中,电芯的内阻值的计算公式为r=abs(Δu/Δi),r为内阻值,单位为毫欧,Δu为阶跃时刻前后的电压变化值,Δi为阶跃时刻前后的电流变化值。
在又一个优选实施例中,所述根据每一个动力电池中的所有电芯的内阻值判断同一个动力电池中是否出现内阻值异常的异常电芯,具体包括:
根据每一个动力电池中的所有电芯的内阻值,计算同一个动力电池中的所有电芯的内阻平均值Ravg和标准差δ;
根据每一个动力电池对应的内阻平均值Ravg和标准差δ,判断同一个动力电池中是否出现内阻值异常的异常电芯;其中,将内阻值处于[Ravg-n2*δ,Ravg+n2*δ]之外的电芯标记为异常电芯,n2≥3。
具体的,结合上述实施例,在通过每一个动力电池中所包含的所有电芯的内阻值对比,判断同一个动力电池中是否出现内阻值异常的异常电芯时,针对每一个动力电池的判断方法相同,以任意一个动力电池为例进行说明:可以先根据该动力电池中的所有电芯的内阻值,计算该动力电池中的所有电芯的内阻平均值Ravg和标准差δ,由内阻平均值Ravg和标准差δ构成两个内阻比较阈值(即分别为Ravg-n2*δ和Ravg+n2*δ);再将该动力电池中的每一个电芯的内阻值分别与这两个内阻比较阈值进行比较,判断该动力电池中是否出现内阻值异常的异常电芯;当任意一个电芯的内阻值处于[Ravg-n2*δ,Ravg+n2*δ]范围之外时,认为对应的电芯的内阻值异常,可以将对应的电芯标记为异常电芯;当任意一个电芯的内阻值处于[Ravg-n2*δ,Ravg+n2*δ]范围之内时,认为对应的电芯的内阻值正常。
需要说明的是,n2可以预先标定,n2的取值范围一般为n2≥3,并且n2的取值与上述实施例中的n1的取值可以相同,也可以不相同,本发明实施例不作具体限定。
本发明实施例还提供了一种电芯内阻异常识别装置,用于实现上述任一实施例所述的电芯内阻异常识别方法,参见图2所示,是本发明提供的一种电芯内阻异常识别装置的一个优选实施例的结构框图,所述装置包括:
有效阶跃点识别模块11,用于在车辆处于分段恒流充电或放电的工况下,检测动力电池的电流变化状态并确定有效的电流阶跃点;其中,所述动力电池中包括若干个电芯;
电芯内阻值计算模块12,用于针对每一个有效的电流阶跃点对应的阶跃时刻,根据阶跃时刻前后的电压数据和电流数据分别计算每一个电芯的内阻值;
第一内阻异常识别模块13,用于针对全量车的动力电池,根据每一个动力电池中的所有电芯的内阻值判断同一个动力电池中是否出现内阻值异常的异常电芯;
异常电芯影响因素获取模块14,用于当同一个动力电池中出现异常电芯时,获取所述异常电芯的影响因素;其中,所述影响因素包括所述异常电芯的电芯类型及其在阶跃时刻对应的温度、阶跃电流、SOC和SOH;
异常电芯目前区间确定模块15,用于将所述影响因素与预设的若干组五维区间进行比较,确定所述影响因素属于哪一组五维区间并作为目标五维区间;其中,每一组五维区间包括电芯类型、温度区间、阶跃电流区间、SOC区间和SOH区间;
异常电芯数据集构成模块16,用于从全量车的动力电池对应的内阻极值中筛选出属于所述目标五维区间的所有的内阻极值,并与所述异常电芯的内阻值构成数据集;
第二内阻异常识别模块17,用于通过对所述数据集进行统计分析,获得所述异常电芯的内阻识别结果。
优选地,所述有效阶跃点识别模块11具体包括:
电流阶跃点确定单元,用于检测动力电池的电流变化状态以确定电流阶跃点及其对应的时刻t;
有效阶跃点识别单元,用于当满足ΔI>x,且在t-y~t和t+1~t+y的时间窗口内Imax-Imin≤z时,确定电流阶跃点为有效的电流阶跃点,否则,确定电流阶跃点为无效的电流阶跃点;
其中,ΔI表示电流阶跃前后的电流变化的绝对值,Imax和Imin分别表示在对应的时间窗口内的电流最大值和电流最小值,0.1C≤x≤0.5C,30s≤y≤120s,0.005C≤z≤0.01C,C表示充放电倍率。
优选地,所述电芯类型至少包括三元电池和磷酸铁锂电池,所述温度区间包括[Tmin,0)和[0,Tmax],所述阶跃电流区间包括[ΔImin,1C]和(1C,ΔImax],所述SOC区间包括[0%,30%)、[30%,70%)和[70%,100%],所述SOH区间包括[0%,80%)、[80%,90%)和[90%,100%];
其中,Tmin和Tmax分别表示温度下限值和温度上限值,ΔImin和ΔImax分别表示阶跃电流的最小值和最大值,C表示充放电倍率。
优选地,所述异常电芯数据集构成模块16具体包括:
内阻极值获取单元,用于针对全量车的动力电池,在每一次计算每一个电芯的内阻值之后,获取每一个动力电池中的所有电芯的内阻值中的内阻极大值和内阻极小值,并获取内阻极大值对应的电芯的第一影响因素和内阻极小值对应的电芯的第二影响因素;
内阻极值筛选单元,用于将全量车的动力电池对应的第一影响因素和第二影响因素分别与预设的若干组五维区间进行比较,筛选出属于所述目标五维区间的所有的内阻极大值和内阻极小值;
异常电芯数据集构成单元,用于根据筛选出的内阻极大值和内阻极小值以及所述异常电芯的内阻值构成数据集。
优选地,所述第二内阻异常识别模块17具体包括:
第一内阻极值统计分析单元,用于根据所述数据集中的所有内阻极大值计算获得第一内阻平均值Rmax_avg和第一标准差δmax,并根据所述数据集中的所有内阻极小值计算获得第二内阻平均值Rmin_avg和第二标准差δmin;
第一内阻异常识别单元,用于当所述异常电芯的内阻值处于[Rmin_avg-n1*δmin,Rmax_avg+n1*δmax]之外时,获得所述异常电芯的内阻识别结果为内阻异常,否则,获得所述异常电芯的内阻识别结果为内阻正常;其中,n1≥3。
优选地,所述第二内阻异常识别模块17具体包括:
第二内阻极值统计分析单元,用于对所述数据集中的所有内阻极大值进行统计分析,确定最大内阻阈值Rmax_th,并对所述数据集中的所有内阻极小值进行统计分析,确定最小内阻阈值Rmin_th;
第二内阻异常识别单元,用于当所述异常电芯的内阻值处于[Rmin_th,Rmax_th]之外时,获得所述异常电芯的内阻识别结果为内阻异常,否则,获得所述异常电芯的内阻识别结果为内阻正常。
优选地,所述电芯内阻值计算模块12具体包括:
电压和电流获取单元,用于根据阶跃时刻前后的电压数据和电流数据,获取每一个电芯在阶跃时刻前的第一电压和第一电流以及在阶跃时刻后的第二电压和第二电流;
电压变化值计算单元,用于根据每一个电芯的第一电压和第二电压,计算每一个电芯对应的电压变化值;
电流变化值计算单元,用于根据每一个电芯的第一电流和第二电流,计算每一个电芯对应的电流变化值;
电芯内阻值计算单元,用于根据每一个电芯对应的电压变化值与电流变化值,分别计算每一个电芯的内阻值。
优选地,所述第一内阻异常识别模块13具体包括:
内阻值统计分析单元,用于根据每一个动力电池中的所有电芯的内阻值,计算同一个动力电池中的所有电芯的内阻平均值Ravg和标准差δ;
第三内阻异常识别单元,用于根据每一个动力电池对应的内阻平均值Ravg和标准差δ,判断同一个动力电池中是否出现内阻值异常的异常电芯;其中,将内阻值处于[Ravg-n2*δ,Ravg+n2*δ]之外的电芯标记为异常电芯,n2≥3。
需要说明的是,本发明实施例所提供的一种电芯内阻异常识别装置,能够实现上述任一实施例所述的电芯内阻异常识别方法的所有流程,装置中的各个模块、单元的作用以及实现的技术效果分别与上述实施例所述的电芯内阻异常识别方法的作用以及实现的技术效果对应相同,这里不再赘述。
本发明实施例还提供了一种终端设备,参见图3所示,是本发明提供的一种终端设备的一个优选实施例的结构框图,所述终端设备包括处理器10、存储器20以及存储在所述存储器20中且被配置为由所述处理器10执行的计算机程序,所述处理器10在执行所述计算机程序时实现上述任一实施例所述的电芯内阻异常识别方法。
优选地,所述计算机程序可以被分割成一个或多个模块/单元(如计算机程序1、计算机程序2、……),所述一个或者多个模块/单元被存储在所述存储器20中,并由所述处理器10执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述终端设备中的执行过程。
所述处理器10可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,通用处理器可以是微处理器,或者所述处理器10也可以是任何常规的处理器,所述处理器10是所述终端设备的控制中心,利用各种接口和线路连接所述终端设备的各个部分。
所述存储器20主要包括程序存储区和数据存储区,其中,程序存储区可存储操作系统、至少一个功能所需的应用程序等,数据存储区可存储相关数据等。此外,所述存储器20可以是高速随机存取存储器,还可以是非易失性存储器,例如插接式硬盘,智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡和闪存卡(Flash Card)等,或所述存储器20也可以是其他易失性固态存储器件。
需要说明的是,上述终端设备可包括,但不仅限于,处理器、存储器,本领域技术人员可以理解,图3结构框图仅仅是上述终端设备的示例,并不构成对终端设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件。
综上,本发明实施例所提供的一种电芯内阻异常识别方法、装置及终端设备,利用分段恒流充电或放电工况下的电流阶跃计算电芯的内阻值,并且先通过同一个动力电池内的各个电芯的内阻值对比,找出异常电芯,再扩大到全量动力电池维度,通过不同的动力电池之间的内阻值对比,进一步确定异常电芯,最终识别电芯内阻是否异常,从而能够快速计算电芯的内阻值,快速识别出异常电芯,并且计算方式简单,易于实施,支持多场景应用,同时,综合动力电池内部和不同动力电池之间的对比分析,还能避免误判,提高异常电芯识别的准确性。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.一种电芯内阻异常识别方法,其特征在于,包括:
在车辆处于分段恒流充电或放电的工况下,检测动力电池的电流变化状态并确定有效的电流阶跃点;其中,所述动力电池中包括若干个电芯;
针对每一个有效的电流阶跃点对应的阶跃时刻,根据阶跃时刻前后的电压数据和电流数据分别计算每一个电芯的内阻值;
针对全量车的动力电池,根据每一个动力电池中的所有电芯的内阻值判断同一个动力电池中是否出现内阻值异常的异常电芯;
当同一个动力电池中出现异常电芯时,获取所述异常电芯的影响因素;其中,所述影响因素包括所述异常电芯的电芯类型及其在阶跃时刻对应的温度、阶跃电流、SOC和SOH;
将所述影响因素与预设的若干组五维区间进行比较,确定所述影响因素属于哪一组五维区间并作为目标五维区间;其中,每一组五维区间包括电芯类型、温度区间、阶跃电流区间、SOC区间和SOH区间;
从全量车的动力电池对应的内阻极值中筛选出属于所述目标五维区间的所有的内阻极值,并与所述异常电芯的内阻值构成数据集;
通过对所述数据集进行统计分析,获得所述异常电芯的内阻识别结果。
2.如权利要求1所述的电芯内阻异常识别方法,其特征在于,所述检测动力电池的电流变化状态并确定有效的电流阶跃点,具体包括:
检测动力电池的电流变化状态以确定电流阶跃点及其对应的时刻t;
当满足ΔI>x,且在t-y~t和t+1~t+y的时间窗口内Imax-Imin≤z时,确定电流阶跃点为有效的电流阶跃点,否则,确定电流阶跃点为无效的电流阶跃点;
其中,ΔI表示电流阶跃前后的电流变化的绝对值,Imax和Imin分别表示在对应的时间窗口内的电流最大值和电流最小值,0.1C≤x≤0.5C,30s≤y≤120s,0.005C≤z≤0.01C,C表示充放电倍率。
3.如权利要求1所述的电芯内阻异常识别方法,其特征在于,所述电芯类型至少包括三元电池和磷酸铁锂电池,所述温度区间包括[Tmin,0)和[0,Tmax],所述阶跃电流区间包括[ΔImin,1C]和(1C,ΔImax],所述SOC区间包括[0%,30%)、[30%,70%)和[70%,100%],所述SOH区间包括[0%,80%)、[80%,90%)和[90%,100%];
其中,Tmin和Tmax分别表示温度下限值和温度上限值,ΔImin和ΔImax分别表示阶跃电流的最小值和最大值,C表示充放电倍率。
4.如权利要求1所述的电芯内阻异常识别方法,其特征在于,所述从全量车的动力电池对应的内阻极值中筛选出属于所述目标五维区间的所有的内阻极值,并与所述异常电芯的内阻值构成数据集,具体包括:
针对全量车的动力电池,在每一次计算每一个电芯的内阻值之后,获取每一个动力电池中的所有电芯的内阻值中的内阻极大值和内阻极小值,并获取内阻极大值对应的电芯的第一影响因素和内阻极小值对应的电芯的第二影响因素;
将全量车的动力电池对应的第一影响因素和第二影响因素分别与预设的若干组五维区间进行比较,筛选出属于所述目标五维区间的所有的内阻极大值和内阻极小值;
根据筛选出的内阻极大值和内阻极小值以及所述异常电芯的内阻值构成数据集。
5.如权利要求1所述的电芯内阻异常识别方法,其特征在于,所述通过对所述数据集进行统计分析,获得所述异常电芯的内阻识别结果,具体包括:
根据所述数据集中的所有内阻极大值计算获得第一内阻平均值Rmax_avg和第一标准差δmax,并根据所述数据集中的所有内阻极小值计算获得第二内阻平均值Rmin_avg和第二标准差δmin;
当所述异常电芯的内阻值处于[Rmin_avg-n1*δmin,Rmax_avg+n1*δmax]之外时,获得所述异常电芯的内阻识别结果为内阻异常,否则,获得所述异常电芯的内阻识别结果为内阻正常;其中,n1≥3。
6.如权利要求1所述的电芯内阻异常识别方法,其特征在于,所述通过对所述数据集进行统计分析,获得所述异常电芯的内阻识别结果,具体包括:
对所述数据集中的所有内阻极大值进行统计分析,确定最大内阻阈值Rmax_th,并对所述数据集中的所有内阻极小值进行统计分析,确定最小内阻阈值Rmin_th;
当所述异常电芯的内阻值处于[Rmin_th,Rmax_th]之外时,获得所述异常电芯的内阻识别结果为内阻异常,否则,获得所述异常电芯的内阻识别结果为内阻正常。
7.如权利要求1~6中任一项所述的电芯内阻异常识别方法,其特征在于,所述根据阶跃时刻前后的电压数据和电流数据分别计算每一个电芯的内阻值,具体包括:
根据阶跃时刻前后的电压数据和电流数据,获取每一个电芯在阶跃时刻前的第一电压和第一电流以及在阶跃时刻后的第二电压和第二电流;
根据每一个电芯的第一电压和第二电压,计算每一个电芯对应的电压变化值;
根据每一个电芯的第一电流和第二电流,计算每一个电芯对应的电流变化值;
根据每一个电芯对应的电压变化值与电流变化值,分别计算每一个电芯的内阻值。
8.如权利要求1~6中任一项所述的电芯内阻异常识别方法,其特征在于,所述根据每一个动力电池中的所有电芯的内阻值判断同一个动力电池中是否出现内阻值异常的异常电芯,具体包括:
根据每一个动力电池中的所有电芯的内阻值,计算同一个动力电池中的所有电芯的内阻平均值Ravg和标准差δ;
根据每一个动力电池对应的内阻平均值Ravg和标准差δ,判断同一个动力电池中是否出现内阻值异常的异常电芯;其中,将内阻值处于[Ravg-n2*δ,Ravg+n2*δ]之外的电芯标记为异常电芯,n2≥3。
9.一种电芯内阻异常识别装置,其特征在于,用于实现如权利要求1~8中任一项所述的电芯内阻异常识别方法,所述装置包括:
有效阶跃点识别模块,用于在车辆处于分段恒流充电或放电的工况下,检测动力电池的电流变化状态并确定有效的电流阶跃点;其中,所述动力电池中包括若干个电芯;
电芯内阻值计算模块,用于针对每一个有效的电流阶跃点对应的阶跃时刻,根据阶跃时刻前后的电压数据和电流数据分别计算每一个电芯的内阻值;
第一内阻异常识别模块,用于针对全量车的动力电池,根据每一个动力电池中的所有电芯的内阻值判断同一个动力电池中是否出现内阻值异常的异常电芯;
异常电芯影响因素获取模块,用于当同一个动力电池中出现异常电芯时,获取所述异常电芯的影响因素;其中,所述影响因素包括所述异常电芯的电芯类型及其在阶跃时刻对应的温度、阶跃电流、SOC和SOH;
异常电芯目前区间确定模块,用于将所述影响因素与预设的若干组五维区间进行比较,确定所述影响因素属于哪一组五维区间并作为目标五维区间;其中,每一组五维区间包括电芯类型、温度区间、阶跃电流区间、SOC区间和SOH区间;
异常电芯数据集构成模块,用于从全量车的动力电池对应的内阻极值中筛选出属于所述目标五维区间的所有的内阻极值,并与所述异常电芯的内阻值构成数据集;
第二内阻异常识别模块,用于通过对所述数据集进行统计分析,获得所述异常电芯的内阻识别结果。
10.一种终端设备,其特征在于,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器在执行所述计算机程序时实现如权利要求1~8中任一项所述的电芯内阻异常识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211661670.9A CN116298993A (zh) | 2022-12-26 | 2022-12-26 | 一种电芯内阻异常识别方法、装置及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211661670.9A CN116298993A (zh) | 2022-12-26 | 2022-12-26 | 一种电芯内阻异常识别方法、装置及终端设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116298993A true CN116298993A (zh) | 2023-06-23 |
Family
ID=86827582
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211661670.9A Pending CN116298993A (zh) | 2022-12-26 | 2022-12-26 | 一种电芯内阻异常识别方法、装置及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116298993A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117054916A (zh) * | 2023-07-27 | 2023-11-14 | 小米汽车科技有限公司 | 动力电池的异常检测方法、系统及云端服务器 |
CN117517934A (zh) * | 2024-01-04 | 2024-02-06 | 江苏优众微纳半导体科技有限公司 | 一种芯片辅助测试系统及测试方法 |
-
2022
- 2022-12-26 CN CN202211661670.9A patent/CN116298993A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117054916A (zh) * | 2023-07-27 | 2023-11-14 | 小米汽车科技有限公司 | 动力电池的异常检测方法、系统及云端服务器 |
CN117517934A (zh) * | 2024-01-04 | 2024-02-06 | 江苏优众微纳半导体科技有限公司 | 一种芯片辅助测试系统及测试方法 |
CN117517934B (zh) * | 2024-01-04 | 2024-03-26 | 江苏优众微纳半导体科技有限公司 | 一种芯片辅助测试系统及测试方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110395141B (zh) | 基于自适应卡尔曼滤波法的动力锂电池soc估算方法 | |
CN108732503B (zh) | 一种电池健康状态与电池容量检测方法及装置 | |
CN116298993A (zh) | 一种电芯内阻异常识别方法、装置及终端设备 | |
CN112834945A (zh) | 评估模型建立方法、电池健康状态评估方法及相关产品 | |
CN112327174B (zh) | 电池的soc修正方法及装置、电池管理系统 | |
CN112904208A (zh) | 用于估计电池单元的开路电压的方法和系统 | |
CN106896325B (zh) | 一种电池参数在线辨识方法及系统 | |
CN108572327A (zh) | 电池健康状态分析方法及装置 | |
CN113083739A (zh) | 电芯分选方法、装置以及计算机设备 | |
CN112698217B (zh) | 基于粒子群优化算法的电池单体容量估计方法 | |
CN114325407A (zh) | 电池自放电测试方法、装置、设备及计算机存储介质 | |
CN111044907B (zh) | 一种基于微片段数据和电压滤波的soh统计方法 | |
CN109298340B (zh) | 一种基于可变时间尺度的电池容量在线估计方法 | |
CN116736131A (zh) | 电池健康状态估计方法、终端设备及存储介质 | |
CN114264961B (zh) | 一种电芯内短路的检测方法、装置和电子设备 | |
CN116008836A (zh) | 电池的短路检测方法、装置及存储介质 | |
CN115097325A (zh) | 一种电池检测方法、装置、设备及存储介质 | |
CN115684956A (zh) | 用于电池存储器寿命估计的方法、设备和计算机程序产品 | |
CN115389954A (zh) | 一种电池容量的估算方法、电子设备及可读存储介质 | |
CN114002603B (zh) | 识别电芯的方法、装置及计算机存储介质 | |
CN115343627B (zh) | 一种动力电池的soh估算方法 | |
CN116500467B (zh) | 低温区间中电池充电能力的检测方法和装置 | |
CN117630707A (zh) | 电池健康度确定方法、装置、电子设备及存储介质 | |
Tian et al. | Parameter identification of the nonlinear double-capacitor model for lithium-ion batteries: From the wiener perspective | |
CN114487881A (zh) | 一种基于开路电压的动力锂电池数据筛分方法 |
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 |