CN116430231A - 电池异常监测方法、装置、服务器、介质及充换电系统 - Google Patents
电池异常监测方法、装置、服务器、介质及充换电系统 Download PDFInfo
- Publication number
- CN116430231A CN116430231A CN202310123614.8A CN202310123614A CN116430231A CN 116430231 A CN116430231 A CN 116430231A CN 202310123614 A CN202310123614 A CN 202310123614A CN 116430231 A CN116430231 A CN 116430231A
- Authority
- CN
- China
- Prior art keywords
- battery
- abnormal
- scoring result
- result
- abnormality
- 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
- 230000005856 abnormality Effects 0.000 title claims abstract description 246
- 238000000034 method Methods 0.000 title claims abstract description 118
- 238000012544 monitoring process Methods 0.000 title claims abstract description 94
- 230000002159 abnormal effect Effects 0.000 claims abstract description 244
- 230000004927 fusion Effects 0.000 claims abstract description 78
- 238000004364 calculation method Methods 0.000 claims description 69
- 238000012790 confirmation Methods 0.000 claims description 14
- 238000006243 chemical reaction Methods 0.000 abstract description 8
- 238000012806 monitoring device Methods 0.000 description 34
- 230000007547 defect Effects 0.000 description 12
- 238000001514 detection method Methods 0.000 description 9
- 238000012552 review Methods 0.000 description 9
- 238000012795 verification Methods 0.000 description 9
- 230000009286 beneficial effect Effects 0.000 description 8
- 238000009413 insulation Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000013016 damping Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 2
- 239000003792 electrolyte Substances 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
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000011179 visual inspection 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
- B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
- B60L53/60—Monitoring or controlling charging stations
-
- 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
- B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
- B60L53/80—Exchanging energy storage elements, e.g. removable 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]
- G01R31/389—Measuring internal impedance, internal conductance or related variables
-
- 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)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Tests Of Electric Status Of Batteries (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本申请涉及电池监测技术领域,具体提供一种电池异常监测方法,旨在解决动力电池监控方法异常判断精确度较低的问题。为此目的,本申请的电池异常监测方法包括以下步骤:获取电池的外观信息数据和内部历史状态数据,电池的外观信息数据为换电过程中获取;基于外观信息数据,计算第一评分结果;基于内部历史状态数据,计算第二评分结果;将外观信息数据和内部历史状态数据进行信息融合;基于信息融合结果,计算第三评分结果;根据第一评分结果、第二评分结果和第三评分结果,判断电池是否异常;在电池异常时,发出异常警告。本申请提供的技术方案可以获得较高的异常判断精确度和较快速的电池异常判断,用户体验较好,有利于提早发现异常并警告。
Description
技术领域
本申请涉及电池监测技术领域,具体涉及一种电池异常监测方法、装置、服务器、介质及充换电系统。
背景技术
电动汽车的动力电池由多个电池模组组成,电池模组内部有正极、负极、电解液、隔膜等。电池的绝缘缺陷和自放电等缺陷会导致动力电池存在安全隐患,从而给乘驾人员带来安全隐患。因此,需要监测电池的异常状况,在电池出现异常情况时发出预警。
传统的动力电池监控方法通过传感器采集电池内部的数据,比如电压、绝缘值、电流、SOC等数据,结合机器学习识别动力电池存在的潜在风险,并根据阈值确定不同的预警等级,定向的召回电池来进行检修,降低动力电池的缺陷带来的安全隐患。
但是,现有的动力电池监控方法存在异常判断精确度较差和预警滞后的情况。而且,现有的电池异常监测周期相对较长,无法在换电过程中快速地进行电池异常判断,用户体验较差。
相应地,本领域需要一种新的技术方案来解决上述问题。
发明内容
本申请旨在解决上述至少一个技术问题,即,解决动力电池监控方法异常判断精确度及效率较低的问题。
为了解决现有技术中的上述问题,第一方面,本申请提供了一种电池异常监测方法,用于充换电站中电池异常监测,该电池异常监测方法包括以下步骤:
获取电池的外观信息数据和内部历史状态数据,所述电池的外观信息数据为换电过程中获取;
基于所述外观信息数据,计算第一评分结果;
基于所述内部历史状态数据,计算第二评分结果;
将所述外观信息数据和所述内部历史状态数据进行信息融合;
基于所述信息融合结果,计算第三评分结果;
根据所述第一评分结果、所述第二评分结果和所述第三评分结果,判断所述电池是否异常;
在所述电池异常时,发出异常警告。
在采用上述技术方案的情况下,基于换电过程中获取的外观信息数据和内部历史状态数据的信息融合结果计算第三评分结果,并根据第一评分结果、第二评分结果和第三评分结果,判断电池是否异常,综合考虑电池的外观信息数据、内部历史状态数据和二者的的信息融合结果等因素,可以获得较高的异常判断精确度。而且,通过结合外观信息数据和内部历史状态数据的信息融合结果可以较为快速准确地进行电池异常判断,可以根据判断结果快速地采取相应措施,用户对电池异常判断及相应处理过程基本无感知,用户体验较好。此外,基于信息融合进行电池异常判断有利于提早发现异常并警告。
在上述电池异常监测方法的具体实施方式中,所述根据所述第一评分结果、所述第二评分结果和所述第三评分结果,判断所述电池是否异常,包括以下步骤:
根据所述第一评分结果、所述第二评分结果和所述第三评分结果进行加权计算,获取计算结果;
比较所述计算结果与第一预设阈值的大小;
根据比较结果,判断所述电池是否异常。
在采用上述技术方案的情况下,可以根据第一评分结果、第二评分结果和第三评分结果的加权计算结果与第一预设阈值的比较结果,判断电池是否异常,可以获得较高的异常判断精确度。而且,可以较为快速准确地进行电池异常判断,用户对电池异常判断及相应的处理过程基本无感知,用户体验较好。此外,有利于提早发现异常并警告。
在上述电池异常监测方法的具体实施方式中,所述根据比较结果,判断所述电池是否异常,包括以下步骤:
在所述计算结果大于等于所述第一预设阈值时,判定为所述电池异常;
在所述计算结果小于所述第一预设阈值时,判定为所述电池正常。
在采用上述技术方案的情况下,可以在加权计算的计算结果大于等于第一预设阈值时,判定为电池异常,在计算结果小于第一预设阈值时,判定为电池正常。此外,有利于提早发现异常并警告。
在上述电池异常监测方法的具体实施方式中,所述监测方法还包括:
根据所述第一评分结果判断所述电池是否异常;
在所述电池异常时,发出异常警告;
在所述电池正常时,将所述外观信息数据和所述内部历史状态数据进行信息融合。
在采用上述技术方案的情况下,可以根据基于外观信息数据计算的第一评分结果初步判断电池是否异常,在电池异常时,及时发出异常警告,进一步避免报警滞后,在电池正常时,有目的地进行后续信息融合。
在上述电池异常监测方法的具体实施方式中,所述根据所述第一评分结果判断所述电池是否异常,包括以下步骤:
比较所述第一评分结果与第二预设阈值的大小;
根据比较结果,判断所述电池是否异常。
在采用上述技术方案的情况下,根据第一评分结果与第二预设阈值的比较结果,判断电池是否异常,在电池异常时,及时发出异常警告,进一步避免报警滞后。
在上述电池异常监测方法的具体实施方式中,所述根据比较结果,判断所述电池是否异常,包括以下步骤:
在所述第一评分结果大于等于所述第二预设阈值时,判定为所述电池异常;
在所述第一评分结果小于所述第二预设阈值时,判定为所述电池正常。
在采用上述技术方案的情况下,可以具体在第一评分结果大于等于第二预设阈值时,判定为电池异常;在第一评分结果小于第二预设阈值时,判定为电池正常。
在上述电池异常监测方法的具体实施方式中,所述电池异常监测方法还包括:
在所述电池异常时,获取人工复核确认指令;
在获取到所述指令时,确认所述电池异常;
在确认所述电池异常时,发出异常警告。
在采用上述技术方案的情况下,可以在根据电池的外观信息数据初步确认电池异常时,进行人工复核,进一步提高异常判断的精确度。同时,可以基于确认的电池异常,及时发出异常警告,避免报警滞后。
在上述电池异常监测方法的具体实施方式中,所述监测方法还包括:
根据所述第二评分结果判断所述电池是否异常;
在所述电池异常时,发出异常警告;
在所述电池正常时,将所述外观信息数据和所述内部历史状态数据进行信息融合。
在采用上述技术方案的情况下,可以基于第二评分结果判断电池是否异常,并在电池异常时发出异常警告,在电池正常时,有目的地进行信息融合。
在上述电池异常监测方法的具体实施方式中,所述根据所述第二评分结果判断所述电池是否异常包括:
比较所述第二评分结果与第三预设阈值的大小;
根据比较结果,判断所述电池是否异常。
在采用上述技术方案的情况下,可以根据第二评分结果与第三预设阈值的比较结果,判断电池是否异常。
在上述电池异常监测方法的具体实施方式中,所述根据比较结果,判断所述电池是否异常,包括以下步骤:
在所述第二评分结果大于等于所述第三预设阈值时,判定为所述电池异常;
在所述第二评分结果小于所述第三预设阈值时,判定为所述电池正常。
在采用上述技术方案的情况下,可以具体根据第二评分结果大于等于第三预设阈值时,判定为电池异常;在第二评分结果小于第三预设阈值时,判定为电池正常。
第二方面,本申请提供一种电池异常监测装置,用于充换电站中电池异常监测,该电池异常监测装置包括:
数据获取模块,所述数据获取模块用于获取电池的外观信息数据和内部历史状态数据,所述电池的外观信息数据为换电过程中获取;
第一计算模块,所述第一计算模块用于基于所述外观信息数据,计算第一评分结果;
第二计算模块,所述第二计算模块用于根据所述内部历史状态数据,计算第二评分结果;
信息融合模块,所述信息融合模块用于将所述外观信息数据和所述内部历史状态数据进行信息融合;
第三计算模块,所述第三计算模块用于基于所述信息融合结果,计算第三评分结果;
异常判断模块,所述异常判断模块用于根据所述第一评分结果、所述第二评分结果和所述第三评分结果,判断所述电池是否异常;
报警模块,所述报警模块用于在所述电池异常时,发出异常警告。
在采用上述技术方案的情况下,电池异常监测装置基于换电过程中获取的外观信息数据和内部历史状态数据的信息融合结果,计算第三评分结果,并根据第一评分结果、第二评分结果和第三评分结果,判断电池是否异常,综合电池的外观信息数据、内部历史状态数据和二者的的信息融合结果等因素,可以实现较高的异常判断精确度。而且,通过结合外观信息数据和内部历史状态数据的信息融合结果可以较为快速准确地进行电池异常判断,可以根据判断结果快速地采取相应措施,用户对电池异常判断及相应处理过程基本无感知,用户体验较好。此外,基于信息融合进行电池异常判断有利于提早发现异常并警告。
在上述电池异常监测装置的具体实施方式中,所述异常判断模块进一步被配置成通过如下方式来根据所述第一评分结果、所述第二评分结果和所述第三评分结果判断所述电池是否异常:
根据所述第一评分结果、所述第二评分结果和所述第三评分结果进行加权计算,获取计算结果;
比较所述计算结果与第一预设阈值的大小;
根据比较结果,判断所述电池是否异常。
在采用上述技术方案的情况下,异常判断模块可以根据第一评分结果、第二评分结果和第三评分结果的加权计算结果与第一预设阈值的比较结果,判断电池是否异常,可以获得较高的异常判断精确度。而且,可以较为快速准确地进行电池异常判断,用户对电池异常判断及相应的处理过程基本无感知,用户体验较好。此外,基于信息融合进行电池异常判断有利于提早发现异常并警告。
在上述电池异常监测装置的具体实施方式中,所述异常判断模块进一步被配置成通过如下方式判断所述电池是否异常:
在所述计算结果大于等于所述第一预设阈值时,判定为所述电池异常;
在所述计算结果小于所述第一预设阈值时,判定为所述电池正常。
在采用上述技术方案的情况下,可以在加权计算的计算结果大于等于第一预设阈值时,判定为电池异常,在计算结果小于第一预设阈值时,判定为电池正常。此外,基于信息融合进行电池异常判断有利于提早发现异常并警告。
在上述电池异常监测装置的具体实施方式中,所述异常判断模块进一步被配置成根据所述第一评分结果判断所述电池是否异常;
所述报警模块进一步被配置成在所述电池异常时,发出异常警告;
所述信息融合模块进一步被配置成在所述电池正常时,将所述外观信息数据和所述内部历史状态数据进行信息融合。
在采用上述技术方案的情况下,异常判断模块可以根据基于外观信息数据计算的第一评分结果初步判断电池是否异常。报警模块在电池异常时,及时发出异常警告,进一步避免报警滞后。信息融合模块在电池正常时,有目的地进行后续信息融合。
在上述电池异常监测装置的具体实施方式中,所述电池异常判断模块进一步被配置成通过如下方式来根据所述第一评分结果判断所述电池是否异常:
比较所述第一评分结果与第二预设阈值的大小;
根据比较结果,判断所述电池是否异常。
在采用上述技术方案的情况下,异常判断模块根据第一评分结果与第二预设阈值的比较结果,判断电池是否异常,在电池异常时,报警模块及时发出异常警告,避免报警滞后。
在上述电池异常监测装置的具体实施方式中,所述异常判断模块进一步被配置成通过如下方式判断所述电池是否异常:
在所述第一评分结果大于等于所述第二预设阈值时,判定为所述电池异常;
在所述第一评分结果小于所述第二预设阈值时,判定为所述电池正常。
在采用上述技术方案的情况下,异常判断模块可以具体在第一评分结果大于等于第二预设阈值时,判定为电池异常;在第一评分结果小于第二预设阈值时,判定为电池正常。
在上述电池异常监测装置的具体实施方式中,所述电池异常监测装置还包括:
指令获取模块,所述指令获取模块用于在所述电池异常时,获取人工复核确认指令;
核验模块,所述核验模块用于在获取到所述指令时,确认所述电池异常;以及
所述报警模块进一步被配置成在确认所述电池异常时,发出异常警告。
在采用上述技术方案的情况下,核验模块可以在根据电池的外观信息数据初步确认电池异常时,进行人工复核,进一步提高异常判断的精确度。同时,报警模块可以基于确认的电池异常,及时发出异常警告,避免报警滞后。
在上述电池异常监测装置的具体实施方式中,所述异常判断模块进一步被配置成根据所述第二评分结果判断所述电池是否异常;
所述报警模块进一步被配置成在所述电池异常时,发出异常警告;
所述信息融合模块进一步被配置成在所述电池正常时,将所述外观信息数据和所述内部历史状态数据进行信息融合。
在采用上述技术方案的情况下,异常判断模块可以基于第二评分结果判断电池是否异常,在电池异常时报警模块发出异常警告,在电池正常时,信息融合模块有目的地进行信息融合。
在上述电池异常监测装置的具体实施方式中,所述异常判断模块进一步被配置成通过如下方式来根据所述第二评分结果判断所述电池是否异常:
比较所述第二评分结果与第三预设阈值的大小;
根据比较结果,判断所述电池是否异常。
在采用上述技术方案的情况下,异常判断模块可以根据第二评分结果与第三预设阈值的比较结果,判断电池是否异常。
在上述电池异常监测装置的具体实施方式中,所述异常判断模块进一步被配置成通过以下方式判断所述电池是否异常:
在所述第二评分结果大于等于所述第三预设阈值时,判定为所述电池异常;
在所述第二评分结果小于所述第三预设阈值时,判定为所述电池正常。
在采用上述技术方案的情况下,异常判断模块可以具体根据第二评分结果大于等于第三预设阈值时,判定为电池异常;在第二评分结果小于第三预设阈值时,判定为电池正常。
第三方面,本申请提供一种云端服务器,该云端服务器包括:
处理器;
存储器,所述存储器适于存储多条程序代码,所述程序代码适于由所述处理器加载并运行以执行上述第一方面的电池异常监测方法。
本申请的云端服务器,可以在运行时执行上述第一方面的电池异常监测方法,实现较高精度的电池异常判断。而且,通过云端服务器结合外观信息数据和内部历史状态数据的信息融合结果可以较为快速准确地进行电池异常判断,可以根据判断结果快速地采取相应措施,用户对电池异常判断及相应处理过程基本无感知,用户体验较好。
第四方面,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中存储有程序指令,当所述程序指令由处理器运行时,实现上述第一方面所述的电池异常监测方法。
本申请的计算机可读存储介质,存储的程序指令由处理器运行时,实现上述第一方面的电池异常监测方法,进而实现较高精度和较快速的电池异常判断。
第五方面,本申请提供一种充换电系统,该充换电系统包括充换电站以及上述第三方面的云端服务器,所述充换电站与所述云端服务器通信连接。
本申请的充换电系统具有上述第三方面的云端服务器,可以较快速精确地判断电池异常,提高充换电站及车辆的安全性。
方案1.一种电池异常监测方法,用于充换电站中电池异常监测,其特征在于,包括以下步骤:
获取电池的外观信息数据和内部历史状态数据,所述电池的外观信息数据为换电过程中获取;
基于所述外观信息数据,计算第一评分结果;
基于所述内部历史状态数据,计算第二评分结果;
将所述外观信息数据和所述内部历史状态数据进行信息融合;
基于信息融合结果,计算第三评分结果;
根据所述第一评分结果、所述第二评分结果和所述第三评分结果,判断所述电池是否异常;
在所述电池异常时,发出异常警告。
方案2.根据方案1所述的电池异常监测方法,其特征在于,所述根据所述第一评分结果、所述第二评分结果和所述第三评分结果,判断所述电池是否异常,包括以下步骤:
根据所述第一评分结果、所述第二评分结果和所述第三评分结果进行加权计算,获取计算结果;
比较所述计算结果与第一预设阈值的大小;
根据比较结果,判断所述电池是否异常。
方案3.根据方案2所述的电池异常监测方法,其特征在于,所述根据比较结果,判断所述电池是否异常,包括以下步骤:
在所述计算结果大于等于所述第一预设阈值时,判定为所述电池异常;
在所述计算结果小于所述第一预设阈值时,判定为所述电池正常。
方案4.根据方案1所述的电池异常监测方法,其特征在于,所述监测方法还包括:
根据所述第一评分结果判断所述电池是否异常;
在所述电池异常时,发出异常警告;
在所述电池正常时,将所述外观信息数据和所述内部历史状态数据进行信息融合。
方案5.根据方案4所述的电池异常监测方法,其特征在于,所述根据所述第一评分结果判断所述电池是否异常,包括以下步骤:
比较所述第一评分结果与第二预设阈值的大小;
根据比较结果,判断所述电池是否异常。
方案6.根据方案5所述的电池异常监测方法,其特征在于,所述根据比较结果,判断所述电池是否异常,包括以下步骤:
在所述第一评分结果大于等于所述第二预设阈值时,判定为所述电池异常;
在所述第一评分结果小于所述第二预设阈值时,判定为所述电池正常。
方案7.根据方案4所述的电池异常监测方法,其特征在于,所述电池异常监测方法还包括:
在所述电池异常时,获取人工复核确认指令;
在获取到所述指令时,确认所述电池异常;
在确认所述电池异常时,发出异常警告。
方案8.根据方案1所述的电池异常监测方法,其特征在于,所述监测方法还包括:
根据所述第二评分结果判断所述电池是否异常;
在所述电池异常时,发出异常警告;
在所述电池正常时,将所述外观信息数据和所述内部历史状态数据进行信息融合。
方案9.根据方案8所述的电池异常监测方法,其特征在于,所述根据所述第二评分结果判断所述电池是否异常包括:
比较所述第二评分结果与第三预设阈值的大小;
根据比较结果,判断所述电池是否异常。
方案10.根据方案9所述的电池异常监测方法,其特征在于,所述根据比较结果,判断所述电池是否异常,包括以下步骤:
在所述第二评分结果大于等于所述第三预设阈值时,判定为所述电池异常;
在所述第二评分结果小于所述第三预设阈值时,判定为所述电池正常。
方案11.一种电池异常监测装置,用于充换电站中电池异常监测,其特征在于,包括:
数据获取模块,所述数据获取模块用于获取电池的外观信息数据和内部历史状态数据,所述电池的外观信息数据为换电过程中获取;
第一计算模块,所述第一计算模块用于基于所述外观信息数据,计算第一评分结果;
第二计算模块,所述第二计算模块用于根据所述内部历史状态数据计算第二评分结果;
信息融合模块,所述信息融合模块用于将所述外观信息数据和所述内部历史状态数据进行信息融合;
第三计算模块,所述第三计算模块用于基于信息融合结果,计算第三评分结果;
异常判断模块,所述异常判断模块用于根据所述第一评分结果、所述第二评分结果和所述第三评分结果,判断所述电池是否异常;
报警模块,所述报警模块用于在所述电池异常时,发出异常警告。
方案12.根据方案11所述的电池异常监测装置,其特征在于,
所述异常判断模块进一步被配置成通过如下方式来根据所述第一评分结果、所述第二评分结果和所述第三评分结果,判断所述电池是否异常:
根据所述第一评分结果、所述第二评分结果和所述第三评分结果进行加权计算,获取计算结果;
比较所述计算结果与第一预设阈值的大小;
根据比较结果,判断所述电池是否异常。
方案13.根据方案12所述的电池异常监测装置,其特征在于,所述异常判断模块进一步被配置成通过如下方式判断所述电池是否异常:
在所述计算结果大于等于所述第一预设阈值时,判定为所述电池异常;
在所述计算结果小于所述第一预设阈值时,判定为所述电池正常。
方案14.根据方案11所述的电池异常监测装置,其特征在于,
所述异常判断模块进一步被配置成根据所述第一评分结果判断所述电池是否异常;
所述报警模块进一步被配置成在所述电池异常时,发出异常警告;
所述信息融合模块进一步被配置成在所述电池正常时,将所述外观信息数据和所述内部历史状态数据进行信息融合。
方案15.根据方案14所述的电池异常监测装置,其特征在于,所述异常判断模块进一步被配置成通过如下方式来根据所述第一评分结果判断所述电池是否异常:
比较所述第一评分结果与第二预设阈值的大小;
根据比较结果,判断所述电池是否异常。
方案16.根据方案15所述的电池异常监测装置,其特征在于,所述异常判断模块进一步被配置成通过如下方式判断所述电池是否异常:
在所述第一评分结果大于等于所述第二预设阈值时,判定为所述电池异常;
在所述第一评分结果小于所述第二预设阈值时,判定为所述电池正常。
方案17.根据方案14所述的电池异常监测装置,其特征在于,所述电池异常监测装置还包括:
指令获取模块,所述指令获取模块用于在所述电池异常时,获取人工复核确认指令;
核验模块,所述核验模块用于在获取到所述指令时,确认所述电池异常;以及
所述报警模块进一步被配置成在确认所述电池异常时,发出异常警告。
方案18.根据方案11所述的电池异常监测装置,其特征在于,
所述异常判断模块进一步被配置成根据所述第二评分结果判断所述电池是否异常;
所述报警模块进一步被配置成在所述电池异常时,发出异常警告;
所述信息融合模块进一步被配置成在所述电池正常时,将所述外观信息数据和所述内部历史状态数据进行信息融合。
方案19.根据方案18所述的电池异常监测装置,其特征在于,所述异常判断模块进一步被配置成通过如下方式来根据所述第二评分结果判断所述电池是否异常:
比较所述第二评分结果与第三预设阈值的大小;
根据比较结果,判断所述电池是否异常。
方案20.根据方案19所述的电池异常监测装置,其特征在于,所述异常判断模块进一步被配置成通过以下方式判断所述电池是否异常:
在所述第二评分结果大于等于所述第三预设阈值时,判定为所述电池异常;
在所述第二评分结果小于所述第三预设阈值时,判定为所述电池正常。
方案21.一种云端服务器,其特征在于,包括:
处理器;
存储器,所述存储器适于存储多条程序代码,所述程序代码适于由所述处理器加载并运行以执行方案1至10中任一项所述的电池异常监测方法。
方案22.一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中存储有程序指令,当所述程序指令由处理器运行时,实现方案1至10中任一项所述的电池异常监测方法。
方案23.一种充换电系统,其特征在于,包括充换电站以及如方案21所述的云端服务器,所述充换电站与所述云端服务器通信连接。
附图说明
图1为本申请一实施例提供的电池异常监测方法的流程图。
图2为本申请一实施例提供的根据第一评分结果、第二评分结果和第三评分结果判断电池是否异常的流程图。
图3为本申请一实施例提供的电池异常监测方法的另一流程图。
图4为本申请一实施例提供的根据第一评分结果判断电池是否异常的流程图。
图5为本申请一实施例提供的电池异常监测方法的又一流程图。
图6为本申请一实施例提供的电池异常监测方法的再一流程图。
图7为本申请一实施例提供的根据第二评分结果判断电池是否异常的流程图。
图8为本申请一实施例提供的电池异常监测方法的一种可能的实施方式的逻辑图。
图9为本申请一实施例提供的电池异常监测装置的结构框图。
图10为本申请一实施例提供的云端处理器的结构框图。
附图标记列表
300、电池异常监测系统,310、数据获取模块,320、第一计算模块,330、第二计算模块,340、信息融合模块,350、第三计算模块,360、异常判断模块,370、报警模块,380、指令获取模块,390、核验模块;400、云端服务器,410、处理器,420、存储器。
具体实施方式
下面参照附图来描述本申请的优选实施方式。本领域技术人员应当理解的是,这些实施方式仅仅用于解释本申请的技术原理,并非旨在限制本申请的保护范围。例如,下述实施例中虽然将各个步骤按照先后次序的方式进行了描述,但是本领域技术人员可以理解,为了实现本实施例的效果,不同的步骤之间不必按照这样的次序执行,其可以同时(并行)执行或以颠倒的次序执行,这些简单的变化都在本申请的保护范围之内。
还需要说明的是,在本申请的描述中,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
申请概述
电动汽车的动力电池由多个电池模组组成,电池模组内部有正极、负极、电解液、隔膜等。电池的绝缘缺陷和自放电等缺陷会导致动力电池存在安全隐患,从而给乘驾人员带来安全隐患。因此,需要监测电池的异常状况,在电池出现异常情况时发出预警。
传统的动力电池监控方法通过传感器采集电池内部的数据,比如电压、绝缘值、电流、SOC等数据,结合机器学习识别动力电池存在的潜在风险,并根据阈值确定不同的预警等级,定向的召回电池来进行检修,降低动力电池的缺陷带来的安全隐患。
但是,现有的动力电池监控方法存在异常判断精确度较低和预警滞后的情况。而且,现有的电池异常监测周期相对较长,无法在换电过程中快速地进行电池异常判断,用户体验较差。
为了解决上述问题,本申请提供的用于充换电站中电池异常监测的电池异常监测方法包括以下步骤:
获取电池的外观信息数据和内部历史状态数据,所述电池的外观信息数据为换电过程中获取;
基于外观信息数据,计算第一评分结果;
基于内部历史状态数据,计算第二评分结果;
将外观信息数据和内部历史状态数据进行信息融合;
基于信息融合结果,计算第三评分结果;
根据第一评分结果、第二评分结果和第三评分结果,判断电池是否异常;
在电池异常时,发出异常警告。
本申请的技术方案基于换电过程中获取的外观信息数据和内部历史状态数据的信息融合结果计算第三评分结果,并根据第一评分结果、第二评分结果和第三评分结果,判断电池是否异常,综合考虑外观信息数据、内部历史状态数据和二者的的信息融合结果等因素,可以获得较高的异常判断精确度。而且,通过结合外观信息数据和内部历史状态数据的信息融合结果可以较为快速准确地进行电池异常判断,可以根据判断结果快速地采取相应措施,用户对电池异常判断及相应处理过程基本无感知,用户体验较好。此外,基于信息融合进行电池异常判断有利于提早发现异常并警告。
示例性方法
下面,结合图1至图10对本身请的电池异常监测方法进行介绍。
如图1所示,本申请提供了一种电池异常监测方法,用于充换电站中电池异常监测,该电池异常监测方法包括以下步骤:
S101,获取电池的外观信息数据和内部历史状态数据,电池的外观信息数据为换电过程中获取。例如,电池进入充换电站后,通过图像采集设备例如视觉传感器采集电池表面图片,并通过物联网平台上传至云端服务器。云端服务器调用算法平台的算法服务中的视觉检测服务,对电池表面的图片进行异常的视觉诊断,获取缺陷类型(例如凹坑、划痕等)、深度信息、面积大小、数量等外观信息数据。同时,云端服务器调用该电池的内部传感器采样数据,例如电压、电容、绝缘阻尼、温度等信息等。其中,通过视觉检测服务进行图片分析诊断的方法在本领域较为常用,本申请不再说明。
S102,基于外观信息数据,计算第一评分结果x1。例如云端服务器基于获取的该电池的缺陷类型(例如凹坑、划痕等)、深度信息、面积大小、数量等外观信息数据,利用第一算法模型(例如采用图像监测模型yolox对图像进行目标监测,得出缺陷的坐标信息(x,y,w,h),接着采用inceptionv3模型进行图像分类,得出凹坑、划痕的类别labelname和相应的置信度得分,具体的计算过程属于本领域的现有技术,在此不再赘述)计算第一评分结果。具体地,第一算法模型用于表征缺陷类型、深度信息、面积大小、数量等外观信息数据与第一评分结果x1之间的对应关系,例如,表面缺陷的深度越深、和/或面积越大、和/或数量越大,则第一评分结果x1越大。
S103,基于内部历史状态数据,计算第二评分结果x2。例如云端服务器调用第二算法模型(例如采用传统的树模型xgboost、lightgbm,以及LSTM和LSTM+Attention的时序预测分类模型,具体的计算过程属于本领域的现有技术,在此不再赘述),基于调用的该电池的内部历史状态数据计算第二评分结果。具体地,第二评分结果x2用于表征电压、电容、绝缘阻尼、温度等内部历史状态数据与第二评分结果x2之间的对应关系,例如,温度越高、和/或电压过大过小、和/或绝缘阻尼过大、和/或电容过小等,则第二评分结果x2越大。
S104,将外观信息数据和内部历史状态数据进行信息融合。例如,云端服务器将汇集的外观信息数据和内部历史状态数据进行信息融合。本申请对信息融合的方法不加限制,例如可以是本领域常用的神经网络法或D—S证据理论等。
S105,基于信息融合,计算第三评分结果x3。例如,云端服务器调用第三算法模型(例如深度学习模型Embedding+MLP,或者是采用传统的机器学习模型,比如xgboost、lightgbm、randomforest等树模型,具体的计算过程属于本领域的现有技术,在此不再赘述),基于外观信息数据和内部历史状态数据的信息融合计算第三评分结果。例如,表面缺陷的深度越深和/或面积越大和/或数量越大时,对应的电池温度越高和/或电压过大、过小和/或绝缘阻尼过大和/或电容过小,则第三评分结果x3越大。
S106,根据第一评分结果、第二评分结果和第三评分结果,判断电池是否异常。例如,将第一评分结果、第二评分结果和第三评分结果与预设要求进行比较,判断电池是否异常。该预设要求可以是预设阈值,也可以是预设判断条件。
S107,在电池异常时,发出异常警告。例如,在电池异常时,云端服务器发出报警指令。在接收到电池异常报警指令时,可以通过充换电站的电池监控系统将电池进行标记(如系统自动标记或人工标记等),禁止电池的二次流通,后续发送到维修中心检查。
如此,基于换电过程中获取的外观信息数据和内部历史状态数据的信息融合计算第三评分结果,并根据第一评分结果、第二评分结果和第三评分结果,判断电池是否异常,综合考虑外观信息数据、内部历史状态数据和二者的的信息融合结果等因素,可以获得较高的异常判断精确度。而且,可以较为快速准确地进行电池异常判断,用户对电池异常判断及相应的处理过程基本无感知,用户体验较好。此外,基于信息融合进行电池异常判断有利于提早发现异常并警告。
如图2所示,在一些实施方式中,根据第一评分结果、第二评分结果和第三评分结果,判断电池是否异常,包括以下步骤:
S1061,根据第一评分结果x1、第二评分结果x2和第三评分结果x3进行加权计算,获取计算结果。例如,根据加权计算公式Y=Ax1+Bx2+Cx3进行加权计算,获取计算结果Y,这里A、B和C分别为x1、x2和x3的权重系数。需要说明的是,本申请对A、B和C的具体数值不加限制,本领域技术人员可以根据具体应用场景的需要选择设置。例如,可以根据经验确定权重系数,例如根据漏报危险程度、漏报率、错报率等确定权重系数。
S1062,比较计算结果与第一预设阈值的大小。例如将计算结果与第一预设阈值的大小进行比较。第一预设阈值可以根据经验确定,例如根据历史漏报情况和错报情况确定,或者根据试验确定,也可以根据机器学习预测确定。
S1063,根据比较结果,判断电池是否异常。例如,根据计算结果与第一预设阈值的比较结果,判断电池是否异常。具体地,根据比较结果,判断电池是否异常,包括以下步骤:
S1064,在计算结果Y大于等于第一预设阈值时,判定为电池异常。例如,计算结果大于等于第一预设阈值,则认为电池可能发生或将要发生安全问题,将电池判定为异常电池。
S1065,在计算结果Y小于第一预设阈值时,判定为电池正常。例如,计算结果小于第一预设阈值,则认为电池不会发生安全问题,判定为电池正常。
这样,可以根据第一评分结果、第二评分结果和第三评分结果的加权计算结果与第一预设阈值的比较结果,在加权计算的计算结果大于等于第一预设阈值时,判定为电池异常,可以获得较高的异常判断精确度。而且,可以较为快速准确地进行电池异常判断,用户对电池异常及相应的处理基本无感知,用户体验较好。此外,有利于提早发现异常并警告。
当然,本领域技术人员能够理解的是,根据具体应用场景的需要,比较结果也可以是计算结果与第一预设阈值的比值,通过比值的大小判断电池是否异常,或者是计算结果与第一预设阈值的差值或差值的绝对值,通过差值或差值的绝对值的大小判断电池是否异常。当然,上述实施方式中是结合评分结果越高,代表电池异常情况越严重进行说明的,也即加权计算结果大于第一预设阈值时表示电池异常,但这只是一种优选的实施方式,在其他实施方式中,本领域技术人员还可以使用相反的逻辑进行判断。例如,外观缺陷越多,计算出来的第一评分结果越低;内部历史状态数据越不稳定,第二评分结果越低,相应地第一评分结果与第二评分结果融合后的第三评分结果越低,此时比较加权计算后的计算结果与一个预设阈值的大小,在计算结果小于等于预设阈值时,判定为电池异常。
此外,本领域技术人员还能够理解的是,根据具体应用场景的需要,也可以根据第一评分结果、第二评分结果和第三评分结果的其他计算方式,判断电池是否异常,例如根据第一评分结果、第二评分结果和第三评分结果的直接加和结果与第一预设阈值的比较结果判断电池是否异常。
如图3所示,在一些实施方式中,电池异常监测方法还包括:
S111,根据第一评分结果x1判断电池是否异常。具体地,如图4所示,根据第一评分结果x1判断电池是否异常,包括以下步骤:
S1111,比较第一评分结果x1与第二预设阈值的大小。第二预设阈值可以根据经验确定,例如根据漏报情况和错报情况确定,或者根据试验确定,也可以根据机器学习预测确定。
S1112,将第一评分结果x1与第二预设阈值进行比较,根据比较结果判断电池是否异常。
S1113,在第一评分结果x1大于等于第二预设阈值时,判定为电池异常。例如,在第一评分结果x1大于等于第二预设阈值时,则认为电池可能发生或将要发生安全问题,将电池判定为异常电池。此时,云端服务器发出电池异常指令。此时,可以将电池进行标记并召回核验。
S1114,在第一评分结果x1小于第二预设阈值时,判定为电池正常。例如,在第一评分结果x1小于第二预设阈值时,则认为电池不会发生安全问题,将电池判定为正常电池。此时,电池可以继续流通使用。
S112,在电池异常时,发出异常警告。例如,在电池异常时,云端服务器发出报警指令。
S113,在电池正常时,将外观信息数据和内部历史状态数据进行信息融合。
这样,可以根据基于外观信息数据计算的第一评分结果x1初步判断电池是否异常,在第一评分结果x1大于等于第二预设阈值时,判定为电池异常,并及时发出异常警告,进一步避免报警滞后。在第一评分结果x1小于第二预设阈值时,判定为电池正常,可以有目的地进行后续信息融合。
需要说明的是,根据具体应用场景的需要,也可以根据第一评分结果x1与第二预设阈值的差值的绝对值与允许的差值或差值范围的比较结果判断电池是否异常,或者根据第一评分结果x1与第二预设阈值的比值判断电池是否异常。
当然,本领域技术人员能够理解的是,根据具体应用场景的需要,也可以不进行根据第一评分结果x1与第二预设阈值进行比较判断电池是否异常的相关步骤。
如图5所示,在一些实施方式中,电池异常监测方法还包括:
S121,在电池异常时,获取人工复核确认指令。例如,在根据第一评分结果x1与第二预设阈值的比较结果判定为电池异常时,则云端服务器会收到人工复核确认指令,进行人工复核流程,确定存在告警所对应的问题。
S122,在获取到指令时,确认电池异常。例如,在云端服务器收到人工复核确认指令的情况下,相关工作人员对该电池进行人工复核。
S123,在确认电池异常时,发出异常警告。例如,在人工复核确认电池异常时,发出电池异常的警告。此时,可以通过充换电站的电池监控系统将电池进行标记,禁止电池的二次流通,并发送到维修中心检查。
这样,可以在根据电池的外观信息数据初步确认电池异常时,进行人工复核,进一步提高异常判断的精确度。同时,可以基于确认的电池异常,及时发出异常警告,避免报警滞后。
需要说明的是,本领域技术人员根据具体应用场景的需要,不设置人工复核的相关步骤。此外,人工复核也可以替换为机器复核。
如图6所示,在一些实施方式中,电池异常监测方法还包括:
S131,根据第二评分结果x2判断电池是否异常。具体地,如图7所示,根据第二评分结果x2判断电池是否异常包括:
S1311,比较第二评分结果x2与第三预设阈值的大小。第三预设阈值可以根据经验确定,例如根据漏报情况和错报情况确定,或者根据试验确定,也可以根据机器学习预测确定。
S1312,将第一评分结果x1与第二预设阈值进行比较,根据比较结果,判断电池是否异常。
S1313,在第二评分结果x2大于等于第三预设阈值时,判定为电池异常。
S1314,在第二评分结果x2小于第三预设阈值时,判定为电池正常。
S132,在电池异常时,发出异常警告。例如,在第二评分结果大于等于第三预设阈值时,判断为电池异常,发出电池异常警告。此时,可以通过充换电站的电池监控系统将电池进行标记,禁止电池的二次流通,并发送到维修中心检查。
S133,在电池正常时,将外观信息数据和内部历史状态数据进行信息融合。
这样,可以在第二评分结果x2大于等于第三预设阈值时,判定为电池异常,并在电池异常时发出异常警告。在第二评分结果小于第三预设阈值时,判定为电池正常,然后有目的地进行后续的信息融合。
需要说明的是,根据具体应用场景的需要,也可以根据第二评分结果x2与第三预设阈值的差值的绝对值与允许的差值或差值范围的比较结果判断电池是否异常,或者根据第二评分结果x2与第三预设阈值的比值判断电池是否异常。
当然,本领域技术人员能够理解的是,根据具体应用场景的需要,也可以不进行根据第二评分结果与第三预设阈值进行比较判断电池是否异常的相关步骤。
图8为本申请一实施例提供的电池异常监测方法的一种可能的实施方式的逻辑图。如图8所示,在一种可能的运行过程中,包括以下步骤:
首先执行S301,获取电池的外观信息数据和内部历史状态数据,电池的外观信息数据为换电过程中获取。
S302,基于外观信息数据,计算第一评分结果x1。
S303,比较第一评分结果x1与第二预设阈值的大小,判断电池是否异常。在第一评分结果x1大于等于第二预设阈值时,判断结果为是,继续执行步骤S304,在第一评分结果x1小于第二预设阈值时,判断结果为否,则执行步骤S307。
S304,人工复核电池是否异常,复核确认电池异常,则执行步骤S311,复核确认电池正常,则执行步骤S307。
S305,基于内部历史状态数据,计算第二评分结果x2。
S306,比较第二评分结果与第三预设阈值的大小,判断电池是否异常。在第二评分结果小于第三预设阈值时,判断结果为否,继续执行步骤S307,在第二评分结果大于等于第三预设阈值时,判断结果为是,则执行步骤S311。
S307,将电池的外观信息数据和内部历史状态数据进行信息融合。
S308,基于信息融合,计算第三评分结果x3。
S309,将第一评分结果x1、第二评分结果x2和第三评分结果x3进行加权计算,计算结果Y=Ax1+Bx2+Cx3。
S310,将计算结果Y与第一预设阈值进行比较,判断电池是否异常。计算结果Y大于等于第一预设阈值,则判断结果为是,执行步骤S311,计算结果Y小于第一预设阈值,则判断结果为否,执行步骤S312。
S311,电池异常,发出报警信号;
S312,电池正常,继续流通。
示例性计算机程序产品和计算机可读存储介质
除了上述方法、系统和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,计算机程序指令在被处理器运行时使得处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的电池异常监测方法中的步骤。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,计算机程序指令在被处理器运行时,执行本说明书上述“示例性方法”部分中描述的控制方法。
计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
示例性装置
下面,将结合图9对本申请的示例性装置进行描述。应该理解,方法实施例的描述与装置实施例的描述相互对应,因此,未详细描述的部分可以参见前面方法实施例。
如图9所示,为本申请的一个实施例提供的电池异常监测装置300,用于充换电站中电池异常监测,该电池异常监测装置300包括数据获取模块310、第一计算模块320、第二计算模块330、信息融合模块340、第三计算模块350、异常判断模块360和报警模块370。
在此,数据获取模块310用于获取电池的外观信息数据和内部历史状态数据,电池的外观信息数据为换电过程中获取。第一计算模块320用于基于外观信息数据,计算第一评分结果。第二计算模块330用于根据内部历史状态数据获取第二评分结果。信息融合模块340用于将外观信息数据和内部历史状态数据进行信息融合。第三计算模块350用于基于信息融合结果,计算第三评分结果。异常判断模块360用于根据第一评分结果、第二评分结果和第三评分结果,判断电池是否异常。报警模块370用于在电池异常时,发出异常警告。
这样,电池异常监测装置300基于在换电过程中获取的外观信息数据和内部历史状态数据的信息融合结果,计算第三评分结果,并根据第一评分结果、第二评分结果和第三评分结果,判断电池是否异常,综合外观信息数据、内部历史状态数据和二者的的信息融合结果等因素,可以实现较高的异常判断精确度。
如图9所示,在一些实施方式中,电池异常监测装置300的异常判断模块360进一步被配置成通过如下方式来根据第一评分结果、第二评分结果和第三评分结果判断电池是否异常:根据第一评分结果x1、第二评分结果x2和第三评分结果x3进行加权计算,获取计算结果;比较计算结果与第一预设阈值的大小;根据比较结果,判断电池是否异常。
这样,异常判断模块可以根据第一评分结果、第二评分结果和第三评分结果的加权计算结果与第一预设阈值的比较结果,判断电池是否异常,可以获得较高的异常判断精确度。此外,基于信息融合进行电池异常判断有利于提早发现异常并警告。
在一些实施方式中,电池异常监测装置300的异常判断模块360进一步被配置成通过如下方式判断电池是否异常:
在计算结果大于等于第一预设阈值时,判定为电池异常;
在计算结果小于第一预设阈值时,判定为电池正常。
这样,可以在加权计算的计算结果大于等于第一预设阈值时,判定为电池异常,在计算结果小于第一预设阈值时,判定为电池正常。此外,基于信息融合进行电池异常判断有利于提早发现异常并警告。
在一些实施方式中,电池异常监测装置300的异常判断模块360进一步被配置成根据第一评分结果判断电池是否异常。报警模块370进一步被配置成在电池异常时,发出异常警告。信息融合模块340进一步被配置成在电池正常时,将外观信息数据和内部历史状态数据进行信息融合。
这样,异常判断模块360可以根据基于外观信息数据计算的第一评分结果初步判断电池是否异常。报警模块370在电池异常时,及时发出异常警告,避免报警滞后。信息融合模块340在电池正常时,有目的地进行后续信息融合。
在一些实施方式中,电池异常监测装置300的电池异常判断模块360进一步被配置成通过如下方式来根据第一评分结果判断电池是否异常:比较第一评分结果与第二预设阈值的大小;根据比较结果,判断电池是否异常。
这样,异常判断模块360根据第一评分结果与第二预设阈值的比较结果,判断电池是否异常,在电池异常时,报警模块370及时发出异常警告,进一步避免报警滞后。
在一些实施方式中,电池异常监测装置300的异常判断模块360进一步被配置成通过如下方式判断电池是否异常:
在第一评分结果大于等于第二预设阈值时,判定为电池异常;
在第一评分结果小于第二预设阈值时,判定为电池正常。
这样,异常判断模块360可以具体在第一评分结果大于等于第二预设阈值时,判定为电池异常;在第一评分结果小于第二预设阈值时,判定为电池正常。
如图9所示,在一些实施方式中,电池异常监测装置还包括指令获取模块380和核验模块390。指令获取模块380用于在电池异常时,获取人工复核确认指令。核验模块390用于在获取到指令时,确认电池异常。报警模块370进一步被配置成在确认电池异常时,发出异常警告。
这样,核验模块390可以在根据电池的外观信息数据初步确认电池异常时,进行人工复核,进一步提高异常判断的精确度。同时,报警模块可以基于确认的电池异常,及时发出异常警告,进一步避免报警滞后。
在一些实施方式中,电池异常监测装置300的异常判断模块360进一步被配置成根据第二评分结果判断电池是否异常。报警模块370进一步被配置成在电池异常时,发出异常警告。信息融合模块340进一步被配置成在电池正常时,将外观信息数据和内部历史状态数据进行信息融合。
这样,异常判断模块360可以基于第二评分结果判断电池是否异常,在电池异常时报警模块370发出异常警告。在电池正常时,信息融合模块340有目的地进行信息融合。
如图2所示,在一些实施方式中,电池异常监测装置异常判断模块进一步被配置成通过如下方式来根据第二评分结果判断电池是否异常:比较第二评分结果与第三预设阈值的大小;根据比较结果,判断电池是否异常。
这样,异常判断模块360可以根据第二评分结果与第三预设阈值的比较结果,判断电池是否异常。
在一些实施方式中,电池异常监测装置300的异常判断模块360进一步被配置成通过以下方式判断电池是否异常:
在第二评分结果大于等于第三预设阈值时,判定为电池异常;
在第二评分结果小于第三预设阈值时,判定为电池正常。
这样,异常判断模块360可以具体根据第二评分结果大于等于第三预设阈值时,判定为电池异常,在第二评分结果小于第三预设阈值时,判定为电池正常。
示例性电子设备
下面,将结合图10对本申请的示例性电子设备进行描述。下面结合云端服务器对本申请的电子设备进行描述,该云端服务器包括处理器和存储器,存储器适于存储多条程序代码,程序代码适于由处理器加载并运行以执行上述第一方面的电池异常监测方法。
本申请的云端服务器,可以在运行时执行上述第一方面的电池异常监测方法,实现较高精度的电池异常判断。
图10是本申请一实施例提供的云端服务器400的结构框图。
如图5所示,云端服务器400包括存储器420以及耦接至该存储器420的处理器410,处理器410被配置为基于存储在存储器420中的指令,执行上述的示例性方法。
其中,存储器420可以包括例如系统存储器、固定非易失性存储介质等。系统存储器例如存储有操作系统、应用程序、引导装载程序(BootLoader)以及其他程序等。
除此之外,根据具体应用情况,云端服务器400还可以包括任何其他适当的组件。
需要说明的是,本申请的云端服务器400也可以替换为其他电子设备,例如手机、电脑等。
示例性充换电系统
最后,本申请提供一种充换电系统,该充换电系统包括充换电站及上述的云端服务器,充换电站与云端服务器通信连接。
本申请的充换电系统具有上述的云端服务器,可以较精确地判断电池是否异常,提高充换电系统及车辆的安全性。
本领域内的技术人员应清楚,本申请的实施例可提供为方法、系统、装置或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用非瞬时性存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本领域的技术人员能够理解,尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本申请的范围之内并且形成不同的实施例。例如,在本申请的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
需要说明的是,尽管上文详细描述了本申请方法的详细步骤,但是,在不偏离本申请的基本原理的前提下,本领域技术人员可以对上述步骤进行组合、拆分及调换顺序,如此修改后的技术方案并没有改变本申请的基本构思,因此也落入本申请的保护范围之内。
需要说明的是,上述实施例提供的电池异常监测装置,仅以上述各功能模块的划分进行举例说明,在实际应用中,可以根据需要而将上述功能模块由不同的功能单元来完成,即将本实施例中的功能模块再分解或者组合,例如,上述实施例的功能模块可以合并为一个功能模块,也可以进一步拆分成多个子模块,以完成以上描述的全部或者部分功能。对于本实施例中涉及的功能模块名称,仅仅是为了进行区分,不视为对本申请的不当限定。
至此,已经结合附图所示的优选实施方式描述了本申请的技术方案,但是,本领域技术人员容易理解的是,本申请的保护范围显然不局限于这些具体实施方式。在不偏离本申请的原理的前提下,本领域技术人员可以对相关技术特征作出等同的更改或替换,这些更改或替换之后的技术方案都将落入本申请的保护范围之内。
Claims (10)
1.一种电池异常监测方法,用于充换电站中电池异常监测,其特征在于,包括以下步骤:
获取电池的外观信息数据和内部历史状态数据,所述电池的外观信息数据为换电过程中获取;
基于所述外观信息数据,计算第一评分结果;
基于所述内部历史状态数据,计算第二评分结果;
将所述外观信息数据和所述内部历史状态数据进行信息融合;
基于信息融合结果,计算第三评分结果;
根据所述第一评分结果、所述第二评分结果和所述第三评分结果,判断所述电池是否异常;
在所述电池异常时,发出异常警告。
2.根据权利要求1所述的电池异常监测方法,其特征在于,所述根据所述第一评分结果、所述第二评分结果和所述第三评分结果,判断所述电池是否异常,包括以下步骤:
根据所述第一评分结果、所述第二评分结果和所述第三评分结果进行加权计算,获取计算结果;
比较所述计算结果与第一预设阈值的大小;
根据比较结果,判断所述电池是否异常。
3.根据权利要求2所述的电池异常监测方法,其特征在于,所述根据比较结果,判断所述电池是否异常,包括以下步骤:
在所述计算结果大于等于所述第一预设阈值时,判定为所述电池异常;
在所述计算结果小于所述第一预设阈值时,判定为所述电池正常。
4.根据权利要求1所述的电池异常监测方法,其特征在于,所述监测方法还包括:
根据所述第一评分结果判断所述电池是否异常;
在所述电池异常时,发出异常警告;
在所述电池正常时,将所述外观信息数据和所述内部历史状态数据进行信息融合。
5.根据权利要求4所述的电池异常监测方法,其特征在于,所述根据所述第一评分结果判断所述电池是否异常,包括以下步骤:
比较所述第一评分结果与第二预设阈值的大小;
根据比较结果,判断所述电池是否异常。
6.根据权利要求5所述的电池异常监测方法,其特征在于,所述根据比较结果,判断所述电池是否异常,包括以下步骤:
在所述第一评分结果大于等于所述第二预设阈值时,判定为所述电池异常;
在所述第一评分结果小于所述第二预设阈值时,判定为所述电池正常。
7.根据权利要求4所述的电池异常监测方法,其特征在于,所述电池异常监测方法还包括:
在所述电池异常时,获取人工复核确认指令;
在获取到所述指令时,确认所述电池异常;
在确认所述电池异常时,发出异常警告。
8.根据权利要求1所述的电池异常监测方法,其特征在于,所述监测方法还包括:
根据所述第二评分结果判断所述电池是否异常;
在所述电池异常时,发出异常警告;
在所述电池正常时,将所述外观信息数据和所述内部历史状态数据进行信息融合。
9.根据权利要求8所述的电池异常监测方法,其特征在于,所述根据所述第二评分结果判断所述电池是否异常包括:
比较所述第二评分结果与第三预设阈值的大小;
根据比较结果,判断所述电池是否异常。
10.根据权利要求9所述的电池异常监测方法,其特征在于,所述根据比较结果,判断所述电池是否异常,包括以下步骤:
在所述第二评分结果大于等于所述第三预设阈值时,判定为所述电池异常;
在所述第二评分结果小于所述第三预设阈值时,判定为所述电池正常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310123614.8A CN116430231A (zh) | 2023-02-07 | 2023-02-07 | 电池异常监测方法、装置、服务器、介质及充换电系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310123614.8A CN116430231A (zh) | 2023-02-07 | 2023-02-07 | 电池异常监测方法、装置、服务器、介质及充换电系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116430231A true CN116430231A (zh) | 2023-07-14 |
Family
ID=87078567
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310123614.8A Pending CN116430231A (zh) | 2023-02-07 | 2023-02-07 | 电池异常监测方法、装置、服务器、介质及充换电系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116430231A (zh) |
-
2023
- 2023-02-07 CN CN202310123614.8A patent/CN116430231A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110781914B (zh) | 一种设备故障的监控处理方法、装置、设备和存储介质 | |
WO2018232937A1 (zh) | 一种电力电缆故障监测方法及装置 | |
CN106371052A (zh) | 智能电表的安全监控方法、装置及系统 | |
CN114821946B (zh) | 变电站交流电源火灾预警方法、监控终端及系统 | |
CN112927461B (zh) | 一种新能源汽车充电桩预警决策方法及装置 | |
CN115050158B (zh) | 消防应急照明和疏散指示系统 | |
CN115549094A (zh) | 一种智能电网变电设备预警评估方法及系统 | |
CN110350660B (zh) | 一种继电保护功能压板在线监视方法和系统 | |
CN114460519A (zh) | 基于电力互感器检验的现场与终端融合管理系统和方法 | |
CN114169709A (zh) | 变电站二次设备的状态评估方法、装置、存储介质及设备 | |
CN113791300A (zh) | 一种充电站的充电枪状态监测方法及系统 | |
CN116430231A (zh) | 电池异常监测方法、装置、服务器、介质及充换电系统 | |
CN112590590A (zh) | 一种充电桩自动灭火方法、系统和存储介质 | |
CN112186902A (zh) | 一种配电监控系统及其监控信息显控方法和装置 | |
CN117104073B (zh) | 一种基于物联网的新能源汽车电池管理系统 | |
CN117875946B (zh) | 一种用于变电站设备运维的人机协同自主红外巡检方法 | |
CN116299019B (zh) | 锂电池数据采集异常识别方法、系统、存储介质及设备 | |
CN116428131B (zh) | 风力发电机故障预警方法及装置 | |
CN117520951B (zh) | 一种基于多特征量的变压器健康评估方法和系统 | |
CN112034355B (zh) | 蓄电池状态的评估方法及评估装置 | |
CN117719382A (zh) | 一种充电安全分析模型构建与自动化充电桩监控系统 | |
CN117571355A (zh) | 一种水冷设备自动测试方法及系统 | |
CN117495804A (zh) | 充电站安全监测方法、装置、计算机设备和存储介质 | |
CN118095845A (zh) | 安全隐患治理方法及系统、电子设备、存储介质 | |
CN117543810A (zh) | 一种输电线路智能监控系统、方法及存储介质 |
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 |