CN116381514A - 一种电芯压差预警方法、装置、存储介质及设备 - Google Patents
一种电芯压差预警方法、装置、存储介质及设备 Download PDFInfo
- Publication number
- CN116381514A CN116381514A CN202310667000.6A CN202310667000A CN116381514A CN 116381514 A CN116381514 A CN 116381514A CN 202310667000 A CN202310667000 A CN 202310667000A CN 116381514 A CN116381514 A CN 116381514A
- Authority
- CN
- China
- Prior art keywords
- data
- differential pressure
- battery pack
- actual road
- road condition
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 238000004458 analytical method Methods 0.000 claims abstract description 43
- 230000009466 transformation Effects 0.000 claims abstract description 22
- 239000012634 fragment Substances 0.000 claims description 32
- 230000008569 process Effects 0.000 claims description 22
- 238000012937 correction Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 4
- 238000011084 recovery Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000003306 harvesting Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 5
- 238000007599 discharging Methods 0.000 description 4
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000001174 ascending effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011900 installation process Methods 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000011418 maintenance treatment Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 238000004091 panning Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
- B60L3/0023—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train
- B60L3/0046—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train relating to electric energy storage systems, e.g. batteries or capacitors
-
- 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
-
- 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
- G01R31/3835—Arrangements for monitoring battery or accumulator variables, e.g. SoC involving only voltage measurements
-
- 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
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/148—Wavelet transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/44—Methods for charging or discharging
- H01M10/441—Methods for charging or discharging for several batteries or cells simultaneously or sequentially
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Power Engineering (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Mathematical Optimization (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Data Mining & Analysis (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Computation (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- Computer Hardware Design (AREA)
- Chemical & Material Sciences (AREA)
- General Chemical & Material Sciences (AREA)
- Computing Systems (AREA)
- Emergency Management (AREA)
- Manufacturing & Machinery (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Electrochemistry (AREA)
- Databases & Information Systems (AREA)
- Secondary Cells (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本申请提供一种电芯压差预警方法、装置、存储介质及设备,该方法中,基于目标电池包的实车运行数据,建立电芯电压特征值数据库,并根据该电芯电压特征值数据库构建基于小波变换的压差离群分析模型,再基于目标电池包的实验室标定数据和实际路况标定数据,分别建立实验室工况标定数据库和实际路况标定数据库,并以此构建压差离群分析模型,进而通过融合这两个模型输出的预测结果,得到压差预警结果。这样,通过放大观察电芯性能参数的局部离群点,并综合两种模型输出的预测结果来判断,可以得到车辆动力电池精确的压差预警结果,有效提升了预警精度。
Description
技术领域
本申请涉及电池安全预警技术领域,具体而言,涉及一种电芯压差预警方法、装置、存储介质及设备。
背景技术
电池压差是指锂电池在放电和充电过程中电芯间的电压最大差值,其是反映电池好坏的关键指标。由于电池内部具有的亏电保护和高压保护机制,电池的压差对电池性能的影响主要体现在:在放电过程中标称电压最低的电芯会率先达到亏电保护的阈值进而导致整个电池组停止放电,而此时整个电池组实际上依然具备放电能力的;而在充电过程中标称电压最高的电芯会率先达到高压保护的阈值进而导致整个电池组停止充电,而此时整个电池组实际上依然处于电量未充满状态。
由于电芯生产工艺的偏差和安装过程中电芯串联时接口内部等的不同,全新的电池都存在少量的压差,因此车辆上通常会设置压差检测机制对电池的压差异常进行检测。相关技术中的压差检测机制一般是基于依靠经验确立的压差阈值来实现的,其局限性较大,存在着准确度低的缺陷。
发明内容
本申请的目的在于提供一种电芯压差预警方法、装置、存储介质及设备,旨在解决相关技术中的电芯压差检测机制存在的准确度低的问题。
第一方面,本申请提供的一种电芯压差预警方法,包括:基于目标电池包的实车运行数据,建立电芯电压特征值数据库,基于所述目标电池包的实验室标定数据,建立实验室工况标定数据库,以及基于所述实车运行数据和所述目标电池包的实际路况标定数据,建立实际路况标定数据库;其中,所述实验室工况标定数据库中记录表征所述目标电池包在实验室工况下的SOC-OCV曲线的数据;所述实际路况标定数据库中记录表征所述目标电池包在实际路况工况下的SOC-OCV曲线的数据;根据所述电芯电压特征值数据库,构建基于小波变换的压差离群分析模型,并根据所述实验室工况标定数据库和所述实际路况标定数据库,构建压差阈值模型;所述压差离群分析模型和所述压差阈值模型均以指定时间长度预测所述目标电池包的电芯的压差离群状态;通过对所述压差离群分析模型输出的预测结果和所述压差阈值模型输出的预测结果进行融合,得到压差预警结果。
在上述实现过程中,基于目标电池包的实车运行数据,建立电芯电压特征值数据库,并根据该电芯电压特征值数据库构建基于小波变换的压差离群分析模型,再基于目标电池包的实验室标定数据和实际路况标定数据,分别建立实验室工况标定数据库和实际路况标定数据库,并以此构建压差离群分析模型,进而通过融合这两个模型输出的预测结果,得到压差预警结果。这样,通过放大观察电芯性能参数的局部离群点,并综合两种模型输出的预测结果来判断,可以得到车辆动力电池精确的压差预警结果,有效提升了预警精度。
进一步地,在一些实施例中,所述基于目标电池包的实车运行数据,建立电芯电压特征值数据库,包括:通过大数据平台对目标电池包的实车运行数据进行预处理,提取多个片段类型的连续数据;所述多个片段类型包括启动状态下的停车充电片段、启动状态下的行驶充电片段、启动状态的无充电片段、熄火状态下的有充电片段、熄火状态下的无充电片段;针对每个片段类型,从所述片段类型的连续数据中提取对应的累计里程、片段开始时间、片段结束时间、SOC、电压和电流数据项,得到所述片段类型对应的数据集合;从所述数据集合中提取与电芯压差关联的车辆特征值,基于提取到的车辆特征值建立电芯电压特征值数据库。
在上述实现过程中,提供一种基于目标电池包的实车运行数据,建立电芯电压特征值数据库的具体方式,即通过大数据平台对实车运行数据进行预处理,按照车辆工作状态和充电状态进行片段划分,再针对各片段类型,提取对应的数据集合,进而提取与电芯压差相关的车辆特征值,以此构建不同片段类型对应的电芯电压特征值数据库。
进一步地,在一些实施例中,所述车辆特征值包括:电芯温度、充电次数、低温时长、高温时长、快充占比、能量回收电流、SOC、高速占比。
在上述实现过程中,提供车辆特征值的可选类型,通过从数据集合中提取出这些车辆特征值,可以减少错误数据对于预警准确性的干扰,为后续建立压差离群分析模型奠定良好的数据基础。
进一步地,在一些实施例中,所述实验室标定数据包括根据车辆识别代号获取到的电池产品特征参数;所述电池产品特征参数用于表征所述目标电池包的电芯性能和寿命。
在上述实现过程中,提供一种获取实验室标定数据的具体方式,即根据车辆VIN获取电池产品特征参数。
进一步地,在一些实施例中,所述实际路况标定数据包括根据预设的BMS策略采集的SOC-OCV采集值;所述BMS策略是在指定采集温度、指定时间和指定电流下对所述目标电池包进行充电测试。
在上述实现过程中,提供一种获取实际路况标定数据的具体方式,即预先设定好BMS策略实现充电测试,获取相应测试参数。
进一步地,在一些实施例中,所述基于所述实车运行数据和所述目标电池包的实际路况标定数据,建立实际路况标定数据库,包括:基于所述数据集合和实际路况标定数据,计算不同温度、不同日历寿命和不同容量衰减下对电芯压差的修正系数,以及经所述修正系数修正后的SOC-OCV关系表;基于所述SOC-OCV关系表,建立实际路况标定数据库。
在上述实现过程中,基于数据集合和实际路况标定数据,计算温度修正系数、日历寿命因子和容量衰减因子,以此得到经这三种修正系数修正后的SOC-OCV关系表,从而提升模型的预警精度。
进一步地,在一些实施例中,所述压差离群分析模型在训练过程中,学习到对电芯电压数据进行小波变换,获得低频分量电压数据和高频分量电压数据,并计算获得的单元电压数据、低频分量电压数据和高频分量电压数据中的各个标准偏差,再通过比对所述标准偏差和对应的平均值,判断所述电芯的压差离群状态。
在上述实现过程中,提供基于小波变换的压差分析模型预测电芯压差离群情况的具体方式。
第二方面,本申请提供的一种电芯压差预警装置,包括:数据获取模块,用于基于目标电池包的实车运行数据,建立电芯电压特征值数据库,基于所述目标电池包的实验室标定数据,建立实验室工况标定数据库,以及基于所述实车运行数据和所述目标电池包的实际路况标定数据,建立实际路况标定数据库;其中,所述实验室工况标定数据库中记录表征所述目标电池包在实验室工况下的SOC-OCV曲线的数据;所述实际路况标定数据库中记录表征所述目标电池包在实际路况工况下的SOC-OCV曲线的数据;模型构建模块,用于根据所述电芯电压特征值数据库,构建基于小波变换的压差离群分析模型,并根据所述实验室工况标定数据库和所述实际路况标定数据库,构建压差阈值模型;所述压差离群分析模型和所述压差阈值模型均以指定时间长度预测所述目标电池包的电芯的压差离群状态;融合预警模块,用于通过对所述压差离群分析模型输出的预测结果和所述压差阈值模型输出的预测结果进行融合,得到压差预警结果。
第三方面,本申请提供的一种电子设备,包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如第一方面任一项所述的方法的步骤。
第四方面,本申请实施例提供的一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,当所述指令在计算机上运行时,使得所述计算机执行如第一方面任一项所述的方法。
第五方面,本申请实施例提供的一种计算机程序产品,所述计算机程序产品在计算机上运行时,使得计算机执行如第一方面任一项所述的方法。
本申请公开的其他特征和优点将在随后的说明书中阐述,或者,部分特征和优点可以从说明书推知或毫无疑义地确定,或者通过实施本申请公开的上述技术即可得知。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请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一种电芯压差预警方法的流程图;
图2为本申请实施例提供的一种基于大数据的电芯压差预警方案的工作流程的示意图;
图3为本申请实施例提供的一种电池包在指定时间段的电芯电压-时间曲线的示意图;
图4为本申请实施例提供的一种电池包中每一个单元电压数据执行离散小波变换多分辨率分析而提取的第五层的低频分量数据曲线的示意图;
图5为本申请实施例提供的一种电池包中每一个单元电压数据执行离散小波变换多分辨率分析而提取的第五层的高频分量数据曲线的示意图;
图6为本申请实施例提供的实际路况下基于温度修正系数、日历寿命因子、和容量衰减因子条件下的一种电池包SOC-OCV曲线的示意图;
图7为本申请实施例提供的融合实际路况下电池SOC-OCV数据库,和实验室工况下电池SOC-OCV数据库的该电池包在指定寿命范围内的压差阈值表的示意图;
图8为本申请实施例提供的一种电芯压差预警装置的框图;
图9为本申请实施例提供的一种电子设备的结构框图。
具体实施方式
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描述。
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。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
如背景技术记载,相关技术中的电芯压差检测机制存在着准确度低的问题。基于此,本申请实施例提供一种电芯压差预警方案,以解决上述问题。
接下来对本申请实施例进行介绍:
如图1所示,图1是本申请实施例提供的一种电芯压差预警方法的流程图。所述方法可以应用于车辆管理平台。所述方法包括:
在步骤101、基于目标电池包的实车运行数据,建立电芯电压特征值数据库,基于所述目标电池包的实验室标定数据,建立实验室工况标定数据库,以及基于所述实车运行数据和所述目标电池包的实际路况标定数据,建立实际路况标定数据库;其中,所述实验室工况标定数据库中记录表征所述目标电池包在实验室工况下的SOC-OCV曲线的数据;所述实际路况标定数据库中记录表征所述目标电池包在实际路况工况下的SOC-OCV曲线的数据;
本步骤中提到的目标电池包可以是需要实现电芯压差预警功能的车辆上的动力电池,其可以是由若干个电芯串联形成的。该目标电池包的实车运行数据可以是指对应车辆在实际行车过程中产生的数据,其可以是通过对应车辆的BMS(Battery ManagementSystem,电池管理系统)、VCU(Vehicle Control Unit,整车控制器)等采集得到的。
在一些实施例中,本步骤中提到的基于目标电池包的实车运行数据,建立电芯电压特征值数据库可以包括:通过大数据平台对目标电池包的实车运行数据进行预处理,提取多个片段类型的连续数据;所述多个片段类型包括启动状态下的停车充电片段、启动状态下的行驶充电片段、启动状态的无充电片段、熄火状态下的有充电片段、熄火状态下的无充电片段;针对各片段类型,分别提取对应的累计里程、片段开始时间、片段结束时间、SOC、电压和电流数据项,得到对应的数据集合;从所述数据集合中提取与电芯压差关联的车辆特征值,基于提取到的车辆特征值建立电芯电压特征值数据库。也就是说,针对离散的实车运行数据,采集后可以通过车联网上传至大数据平台,由大数据平台对其进行预处理,从中提取出满足需求的车辆连续数据,按照时间戳的升序或降序顺序,将连续数据按照车辆工作状态和充电状态划分成“启动+停车充电片段”、“启动+行驶充电片段”、“启动+无充电片段”、“熄火+有充电片段”、“熄火+无充电片段”这五种片段类型;之后,针对各片段类型,分别提取对应的累计里程、片段开始时间、片段结束时间、SOC、电压和电流数据项,得到这五种片段类型各自对应的数据集合,再从各数据集合中提取出与电芯压差相关的车辆特征值,建立不同片段类型对应的电芯电压特征值数据库。
可选地,该车辆特征值可以包括:电芯温度、充电次数、低温时长、高温时长、快充占比、能量回收电流、SOC值、高速占比。这些车辆特征值是与电芯压差相关的整车特征数据,通过从数据集合中提取出这些车辆特征值,可以减少错误数据对于预警准确性的干扰,为后续建立压差离群分析模型奠定良好的数据基础。其中,该低温时长指电芯温度处于低温的时长,该高温时长指电芯温度处于高温的时长,高速占比指车辆处于高速行驶的占比,其中的“低温”、“高温”和“高速”可以根据行业内的标准进行界定,本申请对此不作限制。
本步骤中提到的实验室标定数据可以是指针对目标电池包在出厂检验时测量到的数据。在一些实施例中,该实验室标定数据可以包括根据车辆识别代号获取到的电池产品特征参数;所述电池产品特征参数用于表征所述目标电池包的电芯性能和寿命。车辆识别代号(Vehicle Identification Number,VIN)是为了识别某一辆车,由车辆制造厂为该车辆指定的一组字码。在实现时,根据车辆VIN,获取到该车型的电芯性能及寿命开发数据库,即前面提到的记录有表征目标电池包在实验室工况下的SOC-OCV曲线的数据的实验室标定数据库。
相应地,本步骤中提到的实际路况标定数据可以是指针对目标电池包在实际路况测试时测量到的数据。在一些实施例中,该实际路况标定数据可以包括根据预设的BMS策略采集的SOC-OCV采集值;所述BMS策略是在指定采集温度、指定时间和指定电流下对所述目标电池包进行充电测试。例如,在一些场景中,根据预先设定好的BMS策略,在车辆每次回场站进行充电时,此时各个电芯温度均大于15℃,充电启动后10分钟内均按5A小电流充电进行充电测试,获取各电芯的SOC-OCV曲线,如此,通过其BMS策略,得到的SOC-OVC采集值与测试时的采集温度、电流、时间、里程、额定容量数据,融合为反映各历史数据与电芯压差的关系表,为后续建立压差阈值模型奠定良好的数据基础。
进一步地,在一些实施例中,本步骤中提到的基于所述实车运行数据和所述目标电池包的实际路况标定数据,建立实际路况标定数据库可以包括:基于所述数据集合和实际路况标定数据,计算不同温度、不同日历寿命和不同容量衰减下对电芯压差的修正系数,以及经所述修正系数修正后的SOC-OCV关系表;基于所述SOC-OCV关系表,建立实际路况标定数据库。也就是说,在得到反映各历史数据与电芯压差的关系表后,可以结合前面得到的数据集合,分别计算不同温度、不同日历寿命和不同容量衰减下对电芯压差的修正系数,以及经这3个修订系数修正后的SOC-OCV关系表,以此来建立实际路况标定数据库,减少错误数据对于预警准确性的干扰,从而提升模型的预警精度。其中,实际路况下,基于温度修正系数、日历寿命因子和容量衰减因子的SOC-OCV关系式如下所示:
其中,为温度修正系数;/>为容量衰减因子;/>为日历寿命因子;/>为不同使用温度条件下电芯OCV;/>为不同使用寿命条件下电池SOC。通过上述关系式,可以得到表征目标电池包在实际路况工况下的SOC-OCV曲线的精确数据。
在步骤102、根据所述电芯电压特征值数据库,构建基于小波变换的压差离群分析模型,并根据所述实验室工况标定数据库和所述实际路况标定数据库,构建压差阈值模型;所述压差离群分析模型和所述压差阈值模型均以指定时间长度预测所述目标电池包的电芯的压差离群状态;
本步骤是指:基于前面步骤所建立的三种数据库,分别构建压差离群分析模型和压差阈值模型,后续综合两个模型输出的预测结果进行融合和判断,该压差离群分析模型是基于小波变换的离群算法,放大观察电芯性能参数的局部离群点,而压差阈值模型的预测输出可对小波变换带来的可能偏差进行补偿,从而得到车辆动力电池真正的压差预警结果,有效提升预警精度。
小波母函数是基本小波位移和尺度伸缩,其表示为:
令,/>,则/>=/>,其中,/>为2至5之间的值。基于此,数据经小波变换处理后可分为低频部分和高频部分,该低频部分是近似信息/>对应于低频分量的缩放函数,可表示为:,该高频部分是详细信息/>对应于高频分量的小波函数,可表示为:/>。
相应地,在一些实施例中,本步骤中提到的压差离群分析模型在训练过程中,学习到对电芯电压数据进行小波变换,获得低频分量电压数据和高频分量电压数据,并计算获得的单元电压数据、低频分量电压数据和高频分量电压数据中的各个标准偏差,再通过比对所述标准偏差和对应的平均值,判断所述电芯的压差离群状态。也就是说,针对压差离群分析模型,在模型训练过程中,其可以从电芯电压特征值数据库提取出电芯电压数据,计算目标电池包在某时间段内各个电芯电压标准差,以及该标准差相对平均值的差值,近小波变换处理后,获得低频分量电压数据和高频分量电压数据,再计算目标电池包在对应时间段内各个电芯的低频分量标准偏差和高频分量标准偏差,以及该低频分量标准偏差相对于其平均值的差值,和该高频分量标准偏差相对于其平均值的差值,最后模型分别通过各个标准偏差与其对应的平均值之间的差值,判断各个电芯的压差是否存在离群情况。如此,使得训练好的模型能够以指定时间长度预测目标电池包的电芯的压差离群状态。
而针对压差阈值模型,在模型训练过程中,其可以学习到根据不同工况对应的波动电压差阈值,判断各个电芯的压差是否存在离群情况。例如,若车辆当前工况是静置1h,车速低于20kph,电池小于10A,温度大于15摄氏度的工况,模型根据电池包的SOC值确定波动电压差阈值为120mV,此时若电池包中某个电芯的压差为130mV,则模型判断得该电芯存在压差大的问题。该压差阈值模型可以是基于DBSCAN(Density-Based SpatialClustering of Applications with Noise,一种基于密度的聚类算法)的机器学习模型,具体的模型训练过程可以参见相关技术中的描述,本申请对此不作赘述;另外,在构建好压差离群分析模型和压差阈值模型后,可以将模型进行大数据训练,以提升模型预测的准确率。
在步骤103、通过对所述压差离群分析模型输出的预测结果和所述压差阈值模型输出的预测结果进行融合,得到压差预警结果。
本实施例方案中,综合两个模型输出的预测结果进行融合和判断,例如,针对由90个电芯串联形成的电池包,车辆管理平台实时采集该电池包所在车辆的运行工况和车辆特征值,并将采集到的数据输入两个模型,若压差离群分析模型输出的预测结果是电芯编号10、23和48存在压差离群情况,而压差阈值模型输出的预测结果是电芯编号10、23和48的压差超过相应工况下的波动电压差阈值,则融合两个模型的预测结果后,可以确定这几个电芯确实存在压差大的问题,则可以输出压差预警结果,以提醒客户尽快进行维护处理,避免压差进一步加剧导致安抛及烧车等不可控的安全风险。
本申请实施例,基于目标电池包的实车运行数据,建立电芯电压特征值数据库,并根据该电芯电压特征值数据库构建基于小波变换的压差离群分析模型,再基于目标电池包的实验室标定数据和实际路况标定数据,分别建立实验室工况标定数据库和实际路况标定数据库,并以此构建压差离群分析模型,进而通过融合这两个模型输出的预测结果,得到压差预警结果。这样,通过放大观察电芯性能参数的局部离群点,并综合两种模型输出的预测结果来判断,可以得到车辆动力电池真正的压差预警结果,有效提升了预警精度。
为了对本申请的方案做更为详细的说明,接下来介绍一具体实施例:
本实施例提供一种基于大数据的电芯压差预警方案。数据流上离群点的检测是数据流挖掘重要的研发方向,相关技术中的离群点检测方法比较偏重于数据流上全局离群点的发现,而忽略了局部离群点的检测。但在实际应用中,部分局部离群点若没有被及时检测到,所引起的损失是极其严重的。而本实施例方案中,通过基于小波变换的离群算法,放大观察某些参数的局部离群点,对目标数据中的系统指标进行离群风险分析,包括但不仅限于停车充电、静态怠速、动态行车等不同场景的电芯性能参数离群,离群阈值依据训练结果调整设定,从而提升预警精度。
本实施例方案的工作流程如图2所示,包括:
S201、采集新能源车辆实车运行数据,通过车联网上传至大数据平台;
S202、通过大数据平台对该实车运行数据进行预处理,从中提取出满足需求的车辆连续数据;按照时间戳的升序或降序顺序,将连续数据划分为“启动+停车充电片段”、“启动+行驶充电片段”、“启动+无充电片段”、“熄火+有充电片段”、“熄火+无充电片段”5种片段类型,针对各片段类型,分别提取对应的累计里程、片段开始时间、片段结束时间、SOC、电压、电流数据项,并得到5种片段类型各自对应的数据集合;
S203、根据车辆的VIN获取电池产品特征参数,以此构建该车型的电芯性能及寿命开发数据库,即实验室工况下电池SOC-OCV曲线标定数据库;
S204、从S202得到的各数据集合中提取与电芯压差相关的多种整车特征数据,包括电芯温度、充电次数、低温时长、高温时长、快充占比、能量回收电流、SOC值、高速占比等,以此建立不同片段类型对应的电芯电压特征值数据库;
S205、根据预先设定好的BMS策略,在新能源车辆每次回场站进行充电时,此时各个电芯温度均大于15℃,充电启动后10分钟内均按5A小电流充电进行充电测试,获取各电芯的SOC-OCV曲线;通过该BMS策略,将得到的各电芯的SOC-OCV采集值与测试时的采集温度、电流、时间、里程、额定容量数据,融合为反映各历史数据与电芯压差的关系表,再结合S202得到的数据结合,分别计算不同温度、不同日历寿命和不同容量衰减因子下对电芯压差的修正系数,以及经这3个修订系数修正后的SOC-OCV关系表,以此来建立实际路况下电池SOC-OCV曲线标定数据库;
S206、根据S204得到的电芯电压特征值数据库,构建基于小波变换的压差离群分析模型,并进行大数据库训练,训练好的模型以指定时间长度预测和判断某电芯的压差离群情况;具体地,对电芯电压数据进行小波变换,以获得低频分量电压数据和高频分量电压数据;并计算获得的单元电压数据、低频分量电压数据和高频分量电压数据中的各个标准偏差,分别通过比对各个标准偏差及其平均值之间的差异,从而判断某电芯的压差是否存在离群情况;
S207、根据S204得到的实验室工况下电池SOC-OCV曲线标定数据库,和S205得到的实际路况下电池SOC-OCV曲线标定数据库,构建SOC-OCV曲线的压差阈值模型,进行对比和进行大数据训练,训练好的模型以指定时间长度预测和判断某电芯的压差离群情况;
S208、综合压差离群分析模型和压差阈值模型输出的预测结果进行判断,得到车辆动力电池的压差预警结果。
在应用本实施例方案的一个场景中,针对目标车辆采用的一款由90个电芯串联形成的电池包,该电池包在指定时间段的电芯电压-时间曲线如图3所示,该图中,横坐标表示时间,单位为s,纵坐标表示电压,单位为V,以此计算该电池包在该时间段的各个电芯标准差,其中,该电池包的90个电芯在该时间段的电压标准差的平均值为0.0890,电芯编号15、23、51、59、87的标准差相对平均值的差值分别为0.0195、0.0187、0.0220、0.0202、0.0230,均大于0.0180,则初步判断其电芯压差大;
对其进行局部小波变换放大观察,该电池包中每一个单元电压数据执行离散小波变换多分辨率分析而提取的第五层的低频分量数据曲线如图4所示,该图中,横坐标表示时间,单位为s,纵坐标表示电压,单位为V,以此计算该电池包中每一个单元电压数据执行离散小波变换多分辨率分析而提取的第五层的低频分量标准偏差,其中,该电池包的90个电芯在该时间段的电压低频分量标准偏差的平均值为0.4168,电芯编号15、23、51、59、87的标准差相对平均值的差值分别为0.0890、0.0852、0.1006、0.0924、0.1054,均大于0.0085,则初步锁定其电芯压差大,继续对其高频部分进行观察;
该电池包中每一个单元电压数据执行离散小波变换多分辨率分析而提取的第五层的高频分量数据曲线如图5所示,该图中,横坐标表示时间,单位为s,纵坐标表示电压,单位为V,以此计算该电池包中每一个单元电压数据执行离散小波变换多分辨率分析而提取的第五层的高频分量标准偏差,其中,该电池包的90个电芯在该时间段的电压高频分量标准偏差的平均值为0.0802,电芯编号15、23、51、59、87的标准差相对平均值的差值分别为0.0199、0.0192、0.0221、0.0775、0.0234,均大于0.018,综合源数据、小波变换后低频数据、小波变换后高频数据,判断得电芯编号15、23、51、59、87存在压差大的现象;
对该车进行邀约回店进行小电流充电观察,发现:静置1h后,5A小电流充电10分钟,此时电芯温度为25℃,电池SOC为45%,电芯编号15、23、51、59、87的压差分别为150mV、152mV、171mV、200mV、173mV;实际路况下基于温度修正系数、日历寿命因子、和容量衰减因子条件下的该电池包SOC-OCV曲线如图6所示,融合实际路况下电池SOC-OCV数据库,和实验室工况下电池SOC-OCV数据库的该电池包在指定寿命范围内的压差阈值表如图7所示;
综合两个模型输出的预测结果进行判断,得到最终结论为:电芯编号15、23、51、59、87确实存在压差大的问题,需要尽快维护处理。
本实施例方案,采用大数据平台对数据进行分析判断,云端处理数据,计算更准确、算力更充足,预警更加准确;对数据进行提取处理,避免了错误数据对于预警准确性的干扰,从而减少人工标定所带来时间成本增加,时效性差、跟不上新能源技术迭代发展等弊端;综合两种模型输出的预测输出进行融合和判断,从而得到该车辆动力电池真正的压差预警结果,预警精度从50%提升至99%;能够提前预警电池压差问题,通过大数据平台及时联系客户进站处理,提高用户体验,避免压差进一步加剧导致安抛及烧车等不可控的安全风险。
与前述方法的实施例相对应,本申请还提供电芯压差预警装置及其应用的终端的实施例:
如图8所示,图8是本申请实施例提供的一种电芯压差预警装置的框图,所述装置包括:
数据获取模块81,用于基于目标电池包的实车运行数据,建立电芯电压特征值数据库,基于所述目标电池包的实验室标定数据,建立实验室工况标定数据库,以及基于所述实车运行数据和所述目标电池包的实际路况标定数据,建立实际路况标定数据库;其中,所述实验室工况标定数据库中记录表征所述目标电池包在实验室工况下的SOC-OCV曲线的数据;所述实际路况标定数据库中记录表征所述目标电池包在实际路况工况下的SOC-OCV曲线的数据;
模型构建模块82,用于根据所述电芯电压特征值数据库,构建基于小波变换的压差离群分析模型,并根据所述实验室工况标定数据库和所述实际路况标定数据库,构建压差阈值模型;所述压差离群分析模型和所述压差阈值模型均以指定时间长度预测所述目标电池包的电芯的压差离群状态;
融合预警模块83,用于通过对所述压差离群分析模型输出的预测结果和所述压差阈值模型输出的预测结果进行融合,得到压差预警结果。
上述装置中各个模块的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程,在此不再赘述。
本申请还提供一种电子设备,请参见图9,图9为本申请实施例提供的一种电子设备的结构框图。电子设备可以包括处理器910、通信接口920、存储器930和至少一个通信总线940。其中,通信总线940用于实现这些组件直接的连接通信。其中,本申请实施例中电子设备的通信接口920用于与其他节点设备进行信令或数据的通信。处理器910可以是一种集成电路芯片,具有信号的处理能力。
上述的处理器910可以是通用处理器,包括中央处理器(CPU,CentralProcessingUnit)、网络处理器(NP,NetworkProcessor)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(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。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器910也可以是任何常规的处理器等。
存储器930可以是,但不限于,随机存取存储器(RAM,RandomAccessMemory),只读存储器(ROM,Read Only Memory),可编程只读存储器(PROM ,Programmable Read-OnlyMemory),可擦除只读存储器(EPROM ,Erasable Programmable Read-Only Memory),电可擦除只读存储器(EEPROM ,Electric Erasable Programmable Read-Only Memory)等。存储器930中存储有计算机可读取指令,当所述计算机可读取指令由所述处理器910执行时,电子设备可以执行上述图1方法实施例涉及的各个步骤。
可选地,电子设备还可以包括存储控制器、输入输出单元。
所述存储器930、存储控制器、处理器910、外设接口、输入输出单元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信总线940实现电性连接。所述处理器910用于执行存储器930中存储的可执行模块,例如电子设备包括的软件功能模块或计算机程序。
输入输出单元用于提供给用户创建任务以及为该任务创建启动可选时段或预设执行时间以实现用户与服务器的交互。所述输入输出单元可以是,但不限于,鼠标和键盘等。
可以理解,图9所示的结构仅为示意,所述电子设备还可包括比图9中所示更多或者更少的组件,或者具有与图9所示不同的配置。图9中所示的各组件可以采用硬件、软件或其组合实现。
本申请实施例还提供一种存储介质,所述存储介质上存储有指令,当所述指令在计算机上运行时,所述计算机程序被处理器执行时实现方法实施例所述的方法,为避免重复,此处不再赘述。
本申请还提供一种计算机程序产品,所述计算机程序产品在计算机上运行时,使得计算机执行方法实施例所述的方法。
在本申请所提供的几个实施例中,应该理解到,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。
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。
所述功能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。而前述的存储介质包括: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。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。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。
以上所述,仅为本申请的具体实施方式,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。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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。
Claims (10)
1.一种电芯压差预警方法,其特征在于,包括:
基于目标电池包的实车运行数据,建立电芯电压特征值数据库,基于所述目标电池包的实验室标定数据,建立实验室工况标定数据库,以及基于所述实车运行数据和所述目标电池包的实际路况标定数据,建立实际路况标定数据库;其中,所述实验室工况标定数据库中记录表征所述目标电池包在实验室工况下的SOC-OCV曲线的数据;所述实际路况标定数据库中记录表征所述目标电池包在实际路况工况下的SOC-OCV曲线的数据;
根据所述电芯电压特征值数据库,构建基于小波变换的压差离群分析模型,并根据所述实验室工况标定数据库和所述实际路况标定数据库,构建压差阈值模型;所述压差离群分析模型和所述压差阈值模型均以指定时间长度预测所述目标电池包的电芯的压差离群状态;
通过对所述压差离群分析模型输出的预测结果和所述压差阈值模型输出的预测结果进行融合,得到压差预警结果。
2.根据权利要求1所述的方法,其特征在于,所述基于目标电池包的实车运行数据,建立电芯电压特征值数据库,包括:
通过大数据平台对目标电池包的实车运行数据进行预处理,提取多个片段类型的连续数据;所述多个片段类型包括启动状态下的停车充电片段、启动状态下的行驶充电片段、启动状态的无充电片段、熄火状态下的有充电片段、熄火状态下的无充电片段;
针对每个片段类型,从所述片段类型的连续数据中提取对应的累计里程、片段开始时间、片段结束时间、SOC、电压和电流数据项,得到所述片段类型对应的数据集合;
从所述数据集合中提取与电芯压差关联的车辆特征值,基于提取到的车辆特征值建立电芯电压特征值数据库。
3.根据权利要求2所述的方法,其特征在于,所述车辆特征值包括:
电芯温度、充电次数、低温时长、高温时长、快充占比、能量回收电流、SOC、高速占比。
4.根据权利要求1所述的方法,其特征在于,所述实验室标定数据包括根据车辆识别代号获取到的电池产品特征参数;所述电池产品特征参数用于表征所述目标电池包的电芯性能和寿命。
5.根据权利要求2所述的方法,其特征在于,所述实际路况标定数据包括根据预设的BMS策略采集的SOC-OCV采集值;所述BMS策略是在指定采集温度、指定时间和指定电流下对所述目标电池包进行充电测试。
6.根据权利要求5所述的方法,其特征在于,所述基于所述实车运行数据和所述目标电池包的实际路况标定数据,建立实际路况标定数据库,包括:
基于所述数据集合和实际路况标定数据,计算不同温度、不同日历寿命和不同容量衰减对电芯压差的修正系数,以及经所述修正系数修正后的SOC-OCV关系表;
基于所述SOC-OCV关系表,建立实际路况标定数据库。
7.根据权利要求3所述的方法,其特征在于,所述压差离群分析模型在训练过程中,学习到对电芯电压数据进行小波变换,获得低频分量电压数据和高频分量电压数据,并计算获得的单元电压数据、低频分量电压数据和高频分量电压数据中的各个标准偏差,再通过比对所述标准偏差和对应的平均值,判断所述电芯的压差离群状态。
8.一种电芯压差预警装置,其特征在于,包括:
数据获取模块,用于基于目标电池包的实车运行数据,建立电芯电压特征值数据库,基于所述目标电池包的实验室标定数据,建立实验室工况标定数据库,以及基于所述实车运行数据和所述目标电池包的实际路况标定数据,建立实际路况标定数据库;其中,所述实验室工况标定数据库中记录表征所述目标电池包在实验室工况下的SOC-OCV曲线的数据;所述实际路况标定数据库中记录表征所述目标电池包在实际路况工况下的SOC-OCV曲线的数据;
模型构建模块,用于根据所述电芯电压特征值数据库,构建基于小波变换的压差离群分析模型,并根据所述实验室工况标定数据库和所述实际路况标定数据库,构建压差阈值模型;所述压差离群分析模型和所述压差阈值模型均以指定时间长度预测所述目标电池包的电芯的压差离群状态;
融合预警模块,用于通过对所述压差离群分析模型输出的预测结果和所述压差阈值模型输出的预测结果进行融合,得到压差预警结果。
9.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。
10.一种电子设备,其特征在于,包括处理器、存储器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310667000.6A CN116381514B (zh) | 2023-06-07 | 2023-06-07 | 一种电芯压差预警方法、装置、存储介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310667000.6A CN116381514B (zh) | 2023-06-07 | 2023-06-07 | 一种电芯压差预警方法、装置、存储介质及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116381514A true CN116381514A (zh) | 2023-07-04 |
CN116381514B CN116381514B (zh) | 2023-08-08 |
Family
ID=86981033
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310667000.6A Active CN116381514B (zh) | 2023-06-07 | 2023-06-07 | 一种电芯压差预警方法、装置、存储介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116381514B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116540108A (zh) * | 2023-07-06 | 2023-08-04 | 广汽埃安新能源汽车股份有限公司 | 一种电芯容量衰减预警方法、装置、存储介质及设备 |
CN116826930A (zh) * | 2023-08-29 | 2023-09-29 | 浙江达航数据技术有限公司 | 一种电池dc/dc智能均衡器及均衡方法 |
CN117124856A (zh) * | 2023-10-24 | 2023-11-28 | 宁德时代新能源科技股份有限公司 | 一种环流过压识别方法、装置、可读存储介质及电动汽车 |
CN117517993A (zh) * | 2023-11-02 | 2024-02-06 | 安徽智途科技有限公司 | 基于电芯性能评估的车辆电池能量智能管理方法及系统 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6545448B1 (en) * | 2001-12-18 | 2003-04-08 | Intel Corporation | Detection of the end-of-life for a rechargeable battery |
US20110307202A1 (en) * | 2010-06-15 | 2011-12-15 | Saft | System for monitoring the state of a battery |
US20130257381A1 (en) * | 2012-03-29 | 2013-10-03 | Steven Diamond | Peak-equalized battery charge balancing |
CN105162206A (zh) * | 2015-09-30 | 2015-12-16 | 环旭电子股份有限公司 | 充电电池的充电控制方法 |
CN109991548A (zh) * | 2019-04-19 | 2019-07-09 | 中国计量大学 | 一种ocv-soc标定实验方法、电池等效模型参数辨识方法及soc估算方法 |
KR102148204B1 (ko) * | 2019-12-17 | 2020-08-26 | 경북대학교 산학협력단 | 배터리에서 측정되는 파라미터의 모델을 이용하는 배터리 이상 진단 장치 및 방법 |
CN112083347A (zh) * | 2020-08-20 | 2020-12-15 | 上海电享信息科技有限公司 | 一种电动汽车动力电池筛选方法 |
CN112816881A (zh) * | 2021-03-12 | 2021-05-18 | 武汉蔚来能源有限公司 | 电池压差异常检测方法、装置及计算机存储介质 |
CN115097312A (zh) * | 2022-06-23 | 2022-09-23 | 安徽大学 | 一种结合数据驱动模型和经验模型的锂离子电池融合寿命预测模型 |
CN115169580A (zh) * | 2022-06-30 | 2022-10-11 | 章鱼博士智能技术(上海)有限公司 | 车辆电池组的电压差异常检测模型的训练方法及装置 |
CN116125300A (zh) * | 2022-12-13 | 2023-05-16 | 章鱼博士智能技术(上海)有限公司 | 一种电池包异常监测方法、装置、电子设备及存储介质 |
CN116165549A (zh) * | 2023-03-30 | 2023-05-26 | 上海玫克生储能科技有限公司 | 一种电池安全预警方法、装置及电子设备 |
-
2023
- 2023-06-07 CN CN202310667000.6A patent/CN116381514B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6545448B1 (en) * | 2001-12-18 | 2003-04-08 | Intel Corporation | Detection of the end-of-life for a rechargeable battery |
US20110307202A1 (en) * | 2010-06-15 | 2011-12-15 | Saft | System for monitoring the state of a battery |
US20130257381A1 (en) * | 2012-03-29 | 2013-10-03 | Steven Diamond | Peak-equalized battery charge balancing |
CN105162206A (zh) * | 2015-09-30 | 2015-12-16 | 环旭电子股份有限公司 | 充电电池的充电控制方法 |
CN109991548A (zh) * | 2019-04-19 | 2019-07-09 | 中国计量大学 | 一种ocv-soc标定实验方法、电池等效模型参数辨识方法及soc估算方法 |
KR102148204B1 (ko) * | 2019-12-17 | 2020-08-26 | 경북대학교 산학협력단 | 배터리에서 측정되는 파라미터의 모델을 이용하는 배터리 이상 진단 장치 및 방법 |
CN112083347A (zh) * | 2020-08-20 | 2020-12-15 | 上海电享信息科技有限公司 | 一种电动汽车动力电池筛选方法 |
CN112816881A (zh) * | 2021-03-12 | 2021-05-18 | 武汉蔚来能源有限公司 | 电池压差异常检测方法、装置及计算机存储介质 |
CN115097312A (zh) * | 2022-06-23 | 2022-09-23 | 安徽大学 | 一种结合数据驱动模型和经验模型的锂离子电池融合寿命预测模型 |
CN115169580A (zh) * | 2022-06-30 | 2022-10-11 | 章鱼博士智能技术(上海)有限公司 | 车辆电池组的电压差异常检测模型的训练方法及装置 |
CN116125300A (zh) * | 2022-12-13 | 2023-05-16 | 章鱼博士智能技术(上海)有限公司 | 一种电池包异常监测方法、装置、电子设备及存储介质 |
CN116165549A (zh) * | 2023-03-30 | 2023-05-26 | 上海玫克生储能科技有限公司 | 一种电池安全预警方法、装置及电子设备 |
Non-Patent Citations (3)
Title |
---|
JONGHOON KIM ET AL.: "Comparative analysis of the DWT-based denoising technique selection in noise-riding DCV of the Li-Ion battery pack", 《2015 9TH INTERNATIONAL CONFERENCE ON POWER ELECTRONICS AND ECCE ASIA (ICPE-ECCE ASIA)》, pages 2893 - 2897 * |
张春峰 等: "一种联合数据驱动与专家经验的电池包异常压差动态监测方法", 《时代汽车》, no. 4, pages 90 - 94 * |
王鹿军 等: "基于动态式双阈值的锂电池组主被动均衡策略", 《电机与控制学报》, vol. 37, no. 5, pages 50 - 53 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116540108A (zh) * | 2023-07-06 | 2023-08-04 | 广汽埃安新能源汽车股份有限公司 | 一种电芯容量衰减预警方法、装置、存储介质及设备 |
CN116540108B (zh) * | 2023-07-06 | 2023-12-15 | 广汽埃安新能源汽车股份有限公司 | 一种电芯容量衰减预警方法、装置、存储介质及设备 |
CN116826930A (zh) * | 2023-08-29 | 2023-09-29 | 浙江达航数据技术有限公司 | 一种电池dc/dc智能均衡器及均衡方法 |
CN116826930B (zh) * | 2023-08-29 | 2023-11-14 | 浙江达航数据技术有限公司 | 一种电池dc/dc智能均衡器及均衡方法 |
CN117124856A (zh) * | 2023-10-24 | 2023-11-28 | 宁德时代新能源科技股份有限公司 | 一种环流过压识别方法、装置、可读存储介质及电动汽车 |
CN117124856B (zh) * | 2023-10-24 | 2024-04-09 | 宁德时代新能源科技股份有限公司 | 一种环流过压识别方法、装置、可读存储介质及电动汽车 |
CN117517993A (zh) * | 2023-11-02 | 2024-02-06 | 安徽智途科技有限公司 | 基于电芯性能评估的车辆电池能量智能管理方法及系统 |
CN117517993B (zh) * | 2023-11-02 | 2024-05-17 | 安徽智途科技有限公司 | 基于电芯性能评估的车辆电池能量智能管理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116381514B (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116381514B (zh) | 一种电芯压差预警方法、装置、存储介质及设备 | |
Zhang et al. | Research on electric vehicle charging safety warning model based on back propagation neural network optimized by improved gray wolf algorithm | |
Yang et al. | A fractional-order model-based battery external short circuit fault diagnosis approach for all-climate electric vehicles application | |
Gan et al. | Data-driven fault diagnosis of lithium-ion battery overdischarge in electric vehicles | |
Wang et al. | Perspectives and challenges for future lithium-ion battery control and management | |
CN112834945B (zh) | 评估模型建立方法、电池健康状态评估方法及相关产品 | |
CN113064939B (zh) | 一种新能源车辆三电系统安全特征数据库构建方法 | |
CN107037370A (zh) | 基于监控数据的电动汽车剩余电量计算方法 | |
CN112068004A (zh) | 一种电池异常、电池充电剩余时间的确定方法及装置 | |
CN110133503B (zh) | 一种电芯检测方法及装置 | |
Pei et al. | An Equivalent Circuit Model for Lithium Battery of Electric Vehicle considering Self‐Healing Characteristic | |
Liu et al. | Online health prognosis for lithium-ion batteries under dynamic discharge conditions over wide temperature range | |
Zhou et al. | State-of-health estimation for LiFePO 4 battery system on real-world electric vehicles considering aging stage | |
Huang et al. | State of health estimation of lithium-ion batteries based on the regional frequency | |
CN116540108B (zh) | 一种电芯容量衰减预警方法、装置、存储介质及设备 | |
CN106154164A (zh) | 一种电池健康状态评估方法 | |
CN110045291B (zh) | 一种锂电池容量估计方法 | |
CN112363061A (zh) | 一种基于大数据的热失控风险评估方法 | |
CN114325406A (zh) | 一种基于机器学习思维预测电池热失控的方法及系统 | |
Patrizi et al. | Validation of RUL estimation method for battery prognostic under different fast-charging conditions | |
Li et al. | A Novel Method for Lithium‐Ion Battery Fault Diagnosis of Electric Vehicle Based on Real‐Time Voltage | |
CN114646888A (zh) | 一种动力电池容量衰减的评估方法及系统 | |
Hong et al. | Voltage fault precaution and safety management of lithium-ion batteries based on entropy for electric vehicles | |
CN114861545A (zh) | 基于rnn神经网络与多参数约束的锂电池sop在线估算方法 | |
Wu et al. | Comprehensive early warning strategies based on consistency deviation of thermal–electrical characteristics for energy storage grid |
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 |