CN116609669A - 一种基于大数据的动力电池充电工况提取方法及装置 - Google Patents
一种基于大数据的动力电池充电工况提取方法及装置 Download PDFInfo
- Publication number
- CN116609669A CN116609669A CN202310471140.6A CN202310471140A CN116609669A CN 116609669 A CN116609669 A CN 116609669A CN 202310471140 A CN202310471140 A CN 202310471140A CN 116609669 A CN116609669 A CN 116609669A
- Authority
- CN
- China
- Prior art keywords
- data
- charging
- soc
- different
- vehicle
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000009826 distribution Methods 0.000 claims abstract description 66
- 238000010586 diagram Methods 0.000 claims abstract description 51
- 238000004458 analytical method Methods 0.000 claims abstract description 18
- 239000000178 monomer Substances 0.000 claims abstract description 17
- 238000012216 screening Methods 0.000 claims description 30
- 230000008569 process Effects 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 230000000630 rising effect Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 abstract description 14
- 238000003860 storage Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000015556 catabolic process Effects 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 238000007599 discharging Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 108010015780 Viral Core Proteins Proteins 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
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
-
- 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]
- G01R31/385—Arrangements for measuring battery or accumulator 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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
- G01R31/387—Determining ampere-hour charge capacity or SoC
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种基于大数据的动力电池充电工况提取方法及装置，涉及车辆动力电池分析技术领域，该方法包括得到不同车辆在不同日期下的单次里程平均车速分布图；得到行车工况相同车辆在不同设定时间段内的快充数据；选取充电深度大于预设值的充电数据；根据选取的充电数据，将每辆车同一日期的设定组数充电数据的SOC值一一对应，拟合得到快充、慢充下的I‑SOC和U‑SOC关系曲线；得到I‑t对应关系，分析车辆在不同季节下充电时电池包的温度一致性和单体电压一致性。本发明对不同用户在不同时间段内的快充数据进行分析，提取出不同用户的快充工况，以此为依据调整台架验证时快充的电流‑电压对应关系，以此提高台架验证准确度。
Description
技术领域
本发明涉及车辆动力电池分析技术领域，具体涉及一种基于大数据的动力电池充电工况提取方法及装置。
背景技术
当前，对于车辆动力电池充电工况的分析，一般是基于用户车辆回传至新能源大数据平台的动力电池运行数据来进行相应的功能拓展分析，具体的：获取动力电池包上传的各项参数的历史数据，筛选并提取出电池单体的最高电压值、电动汽车的里程、单体电池的SOC(State Of Charge，荷电状态)、电动汽车的行车状态数据；对动力电池包上传的各项参数的历史数据进行筛选和分析，获得反映电池单体的最高电压值与电动汽车的里程对应关系的函数；利用函数和动力电池包当前上传的各项参数的实时数据进行预测，得到电池单体的最高电压预测值；若电池单体的最高电压预测值大于或等于过压报警阈值，则发出预警信号和预警数据。
但是，对于现有动力电池充电工况分析方法，由于用户在充电时选择充电桩存在差异，单次充电充满时的电压值受环境温度、充电电流变化影响较大，因此，仅通过拟合最高电压值与里程的对应关系得到所需函数，存在一定的误差。
发明内容
针对现有技术中存在的缺陷，本发明的目的在于提供一种基于大数据的动力电池充电工况提取方法及装置，对不同用户在不同时间段内的快充数据进行分析，根据概率提取出不同用户的快充工况，以此为依据调整台架验证时快充的电流-电压对应关系，以此提高台架验证准确度。
为达到以上目的，本发明提供的一种基于大数据的动力电池充电工况提取方法，具体包括以下步骤：
基于新能源大数据平台数据，获取动力电池属性相同的不同车辆运行数据，得到不同车辆在不同日期下的单次里程平均车速分布图；
基于所述分布图分析得到行车工况相同的车辆，并筛选得到行车工况相同车辆在不同设定时间段内的快充数据；
对于筛选得到的快充数据，基于充电起止SOC对应于充电次数的分布图，选取充电深度大于预设值的充电数据；
根据选取的充电数据，将每辆车同一日期的设定组数充电数据的SOC值一一对应，拟合得到快充、慢充下的I-SOC和U-SOC关系曲线；
基于I-SOC和U-SOC关系曲线，得到I-t对应关系，并根据I-t对应关系分析车辆在不同季节下充电时电池包的温度一致性和单体电压一致性。
在上述技术方案的基础上，所述基于新能源大数据平台数据，获取动力电池属性相同的不同车辆运行数据，得到不同车辆在不同日期下的单次里程平均车速分布图，具体步骤包括：
基于新能源大数据平台数据，选取同一地区、车型相同、动力电池型号相同的不同车辆的车辆运行数据；
对于选取的车辆运行数据，随机选取多组不同车辆在不同日期下的车辆运行数据；
基于选取的不同车辆在不同日期下的车辆运行数据，得到不同车辆在不同日期下的单次里程平均车速分布图。
在上述技术方案的基础上，所述基于所述分布图分析得到行车工况相同的车辆，其中，对于行车工况相同的判定方式为：
根据单次里程平均车速分布图，对于车速分布符合中间高、两边低的正态分布的车辆，根据密度函数的位置参数，选取位置参数差值小于设定值的数据组：
若位置参数小于设定值，则当前车辆属于市内行车工况；
若位置参数不小于设定值，则当前车辆为其它行车工况。
在上述技术方案的基础上，所述筛选得到行车工况相同车辆在不同设定时间段内的快充数据，具体步骤包括：
基于气温上升原则，选取行车工况相同车辆在多个不同时间区间内的电池包运行参数；
根据充电窗口电流和SOC对应关系进行快充数据和慢充数据的判断，并剔除慢充数据，得到行车工况相同车辆在不同设定时间段内的快充数据。
在上述技术方案的基础上，所述对于筛选得到的快充数据，基于充电起止SOC对应于充电次数的分布图，选取充电深度大于预设值的充电数据，具体步骤包括：
对于筛选得到的快充数据，绘制得到充电起止SOC对应于充电次数的分布图；
根据绘制得到的分布图，若终止SOC减去初始SOC大于设定值，则将当前快充数据保留，反之，则剔除。
在上述技术方案的基础上，所述根据选取的充电数据，将每辆车同一日期的设定组数充电数据的SOC值一一对应，拟合得到快充、慢充下的I-SOC和U-SOC关系曲线，具体步骤包括：
根据选取的充电数据将每辆车同一日期的设定组数充电数据的SOC值一一对应；
基于概率拟合方式拟合得到快充下的I-SOC关系曲线和U-SOC关系曲线，以及慢充下的I-SOC关系曲线和U-SOC关系曲线。
在上述技术方案的基础上，所述基于I-SOC和U-SOC关系曲线，得到I-t对应关系，具体步骤包括：
基于I-SOC关系曲线和U-SOC关系曲线，通过积分法计算得到累计充电容量，换算得到I-t对应关系。
在上述技术方案的基础上，在进行电池包的温度一致性和单体电压一致性分析时：
对比电池包每次充电时的最大温差，温差越小则表示电池热管理性能一致性越好；
计算电池不同单体充电过程的压差，对比每次充电过程中的单体最大压差，验证压差与环境温度的关系。
本发明提供的一种基于大数据的动力电池充电工况提取装置，包括：
获取模块，其用于基于新能源大数据平台数据，获取动力电池属性相同的不同车辆运行数据，得到不同车辆在不同日期下的单次里程平均车速分布图；
筛选模块，其用于基于所述分布图分析得到行车工况相同的车辆，并筛选得到行车工况相同车辆在不同设定时间段内的快充数据；
选取模块，其用于对于筛选得到的快充数据，基于充电起止SOC对应于充电次数的分布图，选取充电深度大于预设值的充电数据；
拟合模块，其用于根据选取的充电数据，将每辆车同一日期的设定组数充电数据的SOC值一一对应，拟合得到快充、慢充下的I-SOC和U-SOC关系曲线；
分析模块，其用于基于I-SOC和U-SOC关系曲线，得到I-t对应关系，并根据I-t对应关系分析车辆在不同季节下充电时电池包的温度一致性和单体电压一致性。
在上述技术方案的基础上，所述基于新能源大数据平台数据，获取动力电池属性相同的不同车辆运行数据，得到不同车辆在不同日期下的单次里程平均车速分布图，具体过程包括：
基于新能源大数据平台数据，选取同一地区、车型相同、动力电池型号相同的不同车辆的车辆运行数据；
对于选取的车辆运行数据，随机选取多组不同车辆在不同日期下的车辆运行数据；
基于选取的不同车辆在不同日期下的车辆运行数据，得到不同车辆在不同日期下的单次里程平均车速分布图。
与现有技术相比，本发明的优点在于：通过用户车辆回传至新能源大数据平台的实时数据，对不同用户在不同时间段内的快充数据进行分析，根据概率提取出不同用户的快充工况，以此为依据调整台架验证时快充的电流-电压对应关系，以此提高台架验证准确度，且通过用户实际运行数据拟合的工况能更直观地验证不同用户的充电习惯对电池包性能衰减的影响。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中一种基于大数据的动力电池充电工况提取方法的流程图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请的一部分实施例，而不是全部的实施例。
电池储能系统在长期充放电过程中，单体电池自放电率、容量衰减速率产生差异，造成电池之间的一致性较差。新能源汽车的一大核心问题即为动力电池使用寿命/容量衰减问题。而容量的衰减除了受设计制造工艺和锂电池材料老化衰退影响还与用户驾驶习惯及充电习惯以及环境因素(温度、海拔等)有很大关系。通过用户车辆回传至新能源大数据平台的实时数据，对不同用户在不同时间段内的快充数据进行分析，根据概率提取出不同用户的快充工况，以此为依据调整台架验证时快充的电流-电压对应关系，以此提高台架验证准确度。
参见图1所示，本发明实施例提供的一种基于大数据的动力电池充电工况提取方法，具体包括以下步骤：
S1：基于新能源大数据平台数据，获取动力电池属性相同的不同车辆运行数据，得到不同车辆在不同日期下的单次里程平均车速分布图；需要说明的是，新能源大数据平台数据单次可导出某一天的车辆运行数据，包括车辆状态、里程数、车速、电池包运行参数等。
本发明中，基于新能源大数据平台数据，获取动力电池属性相同的不同车辆运行数据，得到不同车辆在不同日期下的单次里程平均车速分布图，具体步骤包括：
S101：基于新能源大数据平台数据，选取同一地区、车型相同、动力电池型号相同的不同车辆的车辆运行数据；
S102：对于选取的车辆运行数据，随机选取多组不同车辆在不同日期下的车辆运行数据；
S103：基于选取的不同车辆在不同日期下的车辆运行数据，得到不同车辆在不同日期下的单次里程平均车速分布图。对于单辆车辆而言，可得到其在不同日期下的单次里程平均车速，进而得到该车辆的，单次里程平均车速分布图，即该车辆的平均车速分布图，横坐标为车速，纵坐标为概率密度。将多辆车辆在不同日期下的单次里程平均车速绘制到同一张图中，即可得到不同车辆在不同日期下的单次里程平均车速分布图，分布图中每一条曲线对应一辆车辆。
对于分布图中车辆的曲线而言，若曲线一致性较好且车速区间与预期相符，可以判断为同为市内工况。若分布曲线一致性较差且车速区间正态分布偏移，可以判断为不完全市内工况(包含高速/高原等其它工况)。
本发明中，基于所述分布图分析得到行车工况相同的车辆，其中，对于行车工况相同的判定方式为：
根据单次里程平均车速分布图，对于车速分布符合中间高、两边低的正态分布的车辆，根据密度函数的位置参数，选取位置参数差值小于设定值的数据组：若位置参数小于设定值，则当前车辆属于市内行车工况；若位置参数不小于设定值，则当前车辆为其它行车工况。
即对于同一行车工况的判定：车速分布符合中间高、两边低的正态分布，其密度函数的位置参数为μ，选取位置参数差值小于8％的数据组，用以判断运行工况的一致性。若μ＜8％，结合大数据平台上行车轨迹可以判断出同属市内行车工况，若否，则行车轨迹中可能包含高速/高原等其它工况，导致位置参数μ发生偏移。
S2：基于所述分布图分析得到行车工况相同的车辆，并筛选得到行车工况相同车辆在不同设定时间段内的快充数据；
本发明中，筛选得到行车工况相同车辆在不同设定时间段内的快充数据，具体步骤包括：
S202：基于气温上升原则，选取行车工况相同车辆在多个不同时间区间内的电池包运行参数；
例如，分别筛选出1-2月，4-5月，7-8月这三个时间段内的快充数据，将其分成三组，月份的不同代表环境温度有所不同，分别意味着冬天、春秋、夏天，温度依次上升。
S203：根据充电窗口电流和SOC对应关系进行快充数据和慢充数据的判断，并剔除慢充数据，得到行车工况相同车辆在不同设定时间段内的快充数据。
具体的，数据筛选过程中根据充电窗口电流和SOC对应关系判断快慢充剔除慢充数据，若整个充电过程中电流始终小于25A，则判断为慢充，予以剔除。
S3：对于筛选得到的快充数据，基于充电起止SOC对应于充电次数的分布图，选取充电深度大于预设值的充电数据；
本发明中，对于筛选得到的快充数据，基于充电起止SOC对应于充电次数的分布图，选取充电深度大于预设值的充电数据，具体步骤包括：
S301：对于筛选得到的快充数据，绘制得到充电起止SOC对应于充电次数的分布图；
S302：根据绘制得到的分布图，若终止SOC减去初始SOC大于设定值，则将当前快充数据保留，反之，则剔除。
具体的，画出充电起止SOC对应于充电次数的分布图，选取充电深度较大的数据，若终止SOC-初始SOC大于80％，数据保留，反之则剔除数据。
S4：根据选取的充电数据，将每辆车同一日期的设定组数充电数据的SOC值一一对应，拟合得到快充、慢充下的I-SOC(电流-荷电状态)和U-SOC(电压-荷电状态)关系曲线；
本发明中，根据选取的充电数据，将每辆车同一日期的设定组数充电数据的SOC值一一对应，拟合得到快充、慢充下的I-SOC和U-SOC关系曲线，具体步骤包括：
S401：根据选取的充电数据将每辆车同一日期的设定组数充电数据的SOC值一一对应；
S402：基于概率拟合方式拟合得到快充下的I-SOC关系曲线和U-SOC关系曲线，以及慢充下的I-SOC关系曲线和U-SOC关系曲线。
例如，对于同一月份的数据，以每辆车各20组充电数据为例，剔除SOC重复项及其对应的电池基础数据，将SOC值一一对应，按概率拟合出I-SOC和U-SOC对应关系曲线。
S5：基于I-SOC和U-SOC关系曲线，得到I-t对应关系，并根据I-t对应关系分析车辆在不同季节下充电时电池包的温度一致性和单体电压一致性。
本发明中，基于I-SOC和U-SOC关系曲线，得到I-t对应关系，具体步骤包括：基于I-SOC关系曲线和U-SOC关系曲线，通过积分法计算得到累计充电容量，换算得到I-t(电流-时间)对应关系。
对于I-t对应关系，即为依据某一用户充电习惯拟合的快充工况，每辆车选取的数据量越大，则拟合出的SOC-I和SOC-U曲线越趋于稳定。
本发明中，在进行电池包的温度一致性和单体电压一致性分析时：
对比电池包每次充电时的最大温差，温差越小则表示电池热管理性能一致性越好；
计算电池不同单体充电过程的压差，对比每次充电过程中的单体最大压差，验证压差与环境温度的关系。
需要说明的是，电池包的不同部位设置有温度传感器。
以下结合一实例对本发明的基于大数据的动力电池充电工况提取方法进行具体说明。
选取电池包规格为132Ah的纯电动车在4-5月(春季)的快充数据，利用积分原则将SOC和I(电流)的对应关系转化成电池包充放电设备验证所需的时间和电流对应关系。选取三台车的历史充电数据，分别进行概率分布计算得到三条充电工况曲线。充电电量的计算由电压、电流、时间三者积分得到，将拟合出的I-SOC转化成I-t关系，充放电设备验证后得到的实际I-t。
进行电池包充放电设备验证测试得到的充电过程数据总结见下表1所示，三台车的充电时间/容量/电量/最大压差均存在一定差异。
表1
优化现有循环寿命测试工况，基于实车导出的快充工况进行充放电设备验证，可以使得循环寿命测试的结果更为真实可靠，接近用户实际使用过程中的数据。
本发明拟合出的U-I(电压-电流)工况可用于台架验证，一般情况下台架测试采用相对固定的快充工况进行性能评估，而通过用户实际运行数据拟合的工况能更直观地验证不同用户的充电习惯对电池包性能衰减的影响。例如：用户充电范围的影响、充电桩选择差异的影响、充电时间的影响。本发明的核心在于提取用户充电工况，拟合出单一用户在充电过程中的U-I变化图线，在电池包测试台上进行复测，以此来分析判断用户差异性以及用户充电行为对电池包性能衰减的影响。
本发明实施例的基于大数据的动力电池充电工况提取方法，通过用户车辆回传至新能源大数据平台的实时数据，对不同用户在不同时间段内的快充数据进行分析，根据概率提取出不同用户的快充工况，以此为依据调整台架验证时快充的电流-电压对应关系，以此提高台架验证准确度，且通过用户实际运行数据拟合的工况能更直观地验证不同用户的充电习惯对电池包性能衰减的影响。
在一种可能的实施方式中，本发明实施例还提供一种可读存储介质，可读存储介质位于PLC(Programmable Logic Controller，可编程逻辑控制器)控制器中，可读存储介质上存储有计算机程序，该程序被处理器执行时实现以下所述基于大数据的动力电池充电工况提取方法的步骤：
基于新能源大数据平台数据，获取动力电池属性相同的不同车辆运行数据，得到不同车辆在不同日期下的单次里程平均车速分布图；
基于所述分布图分析得到行车工况相同的车辆，并筛选得到行车工况相同车辆在不同设定时间段内的快充数据；
对于筛选得到的快充数据，基于充电起止SOC对应于充电次数的分布图，选取充电深度大于预设值的充电数据；
根据选取的充电数据，将每辆车同一日期的设定组数充电数据的SOC值一一对应，拟合得到快充、慢充下的I-SOC和U-SOC关系曲线；
基于I-SOC和U-SOC关系曲线，得到I-t对应关系，并根据I-t对应关系分析车辆在不同季节下充电时电池包的温度一致性和单体电压一致性。
存储介质可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于：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。计算机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、便携式计算机磁盘、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、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
本发明实施例提供的一种基于大数据的动力电池充电工况提取装置，包括获取模块、筛选模块、选取模块、拟合模块和分析模块。
获取模块用于基于新能源大数据平台数据，获取动力电池属性相同的不同车辆运行数据，得到不同车辆在不同日期下的单次里程平均车速分布图；筛选模块用于基于所述分布图分析得到行车工况相同的车辆，并筛选得到行车工况相同车辆在不同设定时间段内的快充数据；选取模块用于对于筛选得到的快充数据，基于充电起止SOC对应于充电次数的分布图，选取充电深度大于预设值的充电数据；拟合模块用于根据选取的充电数据，将每辆车同一日期的设定组数充电数据的SOC值一一对应，拟合得到快充、慢充下的I-SOC和U-SOC关系曲线；分析模块用于基于I-SOC和U-SOC关系曲线，得到I-t对应关系，并根据I-t对应关系分析车辆在不同季节下充电时电池包的温度一致性和单体电压一致性。
本发明中，基于新能源大数据平台数据，获取动力电池属性相同的不同车辆运行数据，得到不同车辆在不同日期下的单次里程平均车速分布图，具体过程包括：
基于新能源大数据平台数据，选取同一地区、车型相同、动力电池型号相同的不同车辆的车辆运行数据；
对于选取的车辆运行数据，随机选取多组不同车辆在不同日期下的车辆运行数据；
基于选取的不同车辆在不同日期下的车辆运行数据，得到不同车辆在不同日期下的单次里程平均车速分布图。
以上所述仅是本申请的具体实施方式，使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
本发明是参照根据本发明实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
Claims (10)
1.一种基于大数据的动力电池充电工况提取方法，其特征在于，具体包括以下步骤：
基于新能源大数据平台数据，获取动力电池属性相同的不同车辆运行数据，得到不同车辆在不同日期下的单次里程平均车速分布图；
基于所述分布图分析得到行车工况相同的车辆，并筛选得到行车工况相同车辆在不同设定时间段内的快充数据；
对于筛选得到的快充数据，基于充电起止SOC对应于充电次数的分布图，选取充电深度大于预设值的充电数据；
根据选取的充电数据，将每辆车同一日期的设定组数充电数据的SOC值一一对应，拟合得到快充、慢充下的I-SOC和U-SOC关系曲线；
基于I-SOC和U-SOC关系曲线，得到I-t对应关系，并根据I-t对应关系分析车辆在不同季节下充电时电池包的温度一致性和单体电压一致性。
2.如权利要求1所述的一种基于大数据的动力电池充电工况提取方法，其特征在于，所述基于新能源大数据平台数据，获取动力电池属性相同的不同车辆运行数据，得到不同车辆在不同日期下的单次里程平均车速分布图，具体步骤包括：
基于新能源大数据平台数据，选取同一地区、车型相同、动力电池型号相同的不同车辆的车辆运行数据；
对于选取的车辆运行数据，随机选取多组不同车辆在不同日期下的车辆运行数据；
基于选取的不同车辆在不同日期下的车辆运行数据，得到不同车辆在不同日期下的单次里程平均车速分布图。
3.如权利要求2所述的一种基于大数据的动力电池充电工况提取方法，其特征在于，所述基于所述分布图分析得到行车工况相同的车辆，其中，对于行车工况相同的判定方式为：
根据单次里程平均车速分布图，对于车速分布符合中间高、两边低的正态分布的车辆，根据密度函数的位置参数，选取位置参数差值小于设定值的数据组：
若位置参数小于设定值，则当前车辆属于市内行车工况；
若位置参数不小于设定值，则当前车辆为其它行车工况。
4.如权利要求1所述的一种基于大数据的动力电池充电工况提取方法，其特征在于，所述筛选得到行车工况相同车辆在不同设定时间段内的快充数据，具体步骤包括：
基于气温上升原则，选取行车工况相同车辆在多个不同时间区间内的电池包运行参数；
根据充电窗口电流和SOC对应关系进行快充数据和慢充数据的判断，并剔除慢充数据，得到行车工况相同车辆在不同设定时间段内的快充数据。
5.如权利要求1所述的一种基于大数据的动力电池充电工况提取方法，其特征在于，所述对于筛选得到的快充数据，基于充电起止SOC对应于充电次数的分布图，选取充电深度大于预设值的充电数据，具体步骤包括：
对于筛选得到的快充数据，绘制得到充电起止SOC对应于充电次数的分布图；
根据绘制得到的分布图，若终止SOC减去初始SOC大于设定值，则将当前快充数据保留，反之，则剔除。
6.如权利要求1所述的一种基于大数据的动力电池充电工况提取方法，其特征在于，所述根据选取的充电数据，将每辆车同一日期的设定组数充电数据的SOC值一一对应，拟合得到快充、慢充下的I-SOC和U-SOC关系曲线，具体步骤包括：
根据选取的充电数据将每辆车同一日期的设定组数充电数据的SOC值一一对应；
基于概率拟合方式拟合得到快充下的I-SOC关系曲线和U-SOC关系曲线，以及慢充下的I-SOC关系曲线和U-SOC关系曲线。
7.如权利要求6所述的一种基于大数据的动力电池充电工况提取方法，其特征在于，所述基于I-SOC和U-SOC关系曲线，得到I-t对应关系，具体步骤包括：
基于I-SOC关系曲线和U-SOC关系曲线，通过积分法计算得到累计充电容量，换算得到I-t对应关系。
8.如权利要求7所述的一种基于大数据的动力电池充电工况提取方法，其特征在于，在进行电池包的温度一致性和单体电压一致性分析时：
对比电池包每次充电时的最大温差，温差越小则表示电池热管理性能一致性越好；
计算电池不同单体充电过程的压差，对比每次充电过程中的单体最大压差，验证压差与环境温度的关系。
9.一种基于大数据的动力电池充电工况提取装置，其特征在于，包括：
获取模块，其用于基于新能源大数据平台数据，获取动力电池属性相同的不同车辆运行数据，得到不同车辆在不同日期下的单次里程平均车速分布图；
筛选模块，其用于基于所述分布图分析得到行车工况相同的车辆，并筛选得到行车工况相同车辆在不同设定时间段内的快充数据；
选取模块，其用于对于筛选得到的快充数据，基于充电起止SOC对应于充电次数的分布图，选取充电深度大于预设值的充电数据；
拟合模块，其用于根据选取的充电数据，将每辆车同一日期的设定组数充电数据的SOC值一一对应，拟合得到快充、慢充下的I-SOC和U-SOC关系曲线；
分析模块，其用于基于I-SOC和U-SOC关系曲线，得到I-t对应关系，并根据I-t对应关系分析车辆在不同季节下充电时电池包的温度一致性和单体电压一致性。
10.如权利要求9所述的一种基于大数据的动力电池充电工况提取装置，其特征在于，所述基于新能源大数据平台数据，获取动力电池属性相同的不同车辆运行数据，得到不同车辆在不同日期下的单次里程平均车速分布图，具体过程包括：
基于新能源大数据平台数据，选取同一地区、车型相同、动力电池型号相同的不同车辆的车辆运行数据；
对于选取的车辆运行数据，随机选取多组不同车辆在不同日期下的车辆运行数据；
基于选取的不同车辆在不同日期下的车辆运行数据，得到不同车辆在不同日期下的单次里程平均车速分布图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310471140.6A CN116609669A (zh) | 2023-04-27 | 2023-04-27 | 一种基于大数据的动力电池充电工况提取方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310471140.6A CN116609669A (zh) | 2023-04-27 | 2023-04-27 | 一种基于大数据的动力电池充电工况提取方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116609669A true CN116609669A (zh) | 2023-08-18 |
Family
ID=87679125
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310471140.6A Pending CN116609669A (zh) | 2023-04-27 | 2023-04-27 | 一种基于大数据的动力电池充电工况提取方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116609669A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117371670A (zh) * | 2023-12-07 | 2024-01-09 | 深圳汇能新能源科技有限公司 | 一种新能源电动汽车充电桩的可靠性分析系统 |
-
2023
- 2023-04-27 CN CN202310471140.6A patent/CN116609669A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117371670A (zh) * | 2023-12-07 | 2024-01-09 | 深圳汇能新能源科技有限公司 | 一种新能源电动汽车充电桩的可靠性分析系统 |
| CN117371670B (zh) * | 2023-12-07 | 2024-03-12 | 深圳汇能新能源科技有限公司 | 一种新能源电动汽车充电桩的可靠性分析系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110208704B (zh) | 一种基于电压滞后效应的锂电池建模方法和系统 | |
| CN103163480B (zh) | 锂电池健康状态的评估方法 | |
| CN112572233B (zh) | 一种电池管理方法、装置及车辆 | |
| CN102439782B (zh) | 用于自然能源利用系统的铅蓄电池和铅蓄电池系统 | |
| CN109655754B (zh) | 一种基于充电过程多维分阶的电池性能评估方法 | |
| CN102590755A (zh) | 锂离子电池容量获取方法和装置 | |
| CN111257770B (zh) | 一种电池包功率估算方法 | |
| CN111812529A (zh) | 一种时变循环工况下锂离子电池老化热失控测试方法 | |
| CN110045291B (zh) | 一种锂电池容量估计方法 | |
| CN116609669A (zh) | 一种基于大数据的动力电池充电工况提取方法及装置 | |
| CN115754726A (zh) | 一种电池寿命预测及维持方法、电子设备和存储介质 | |
| CN108832187B (zh) | 基于新能源汽车储能需求的锂离子电池的设计方法 | |
| CN114994559A (zh) | 一种针对运营车辆的动力电池循环寿命的试验方法 | |
| CN114646888A (zh) | 一种动力电池容量衰减的评估方法及系统 | |
| CN113665436B (zh) | 一种电池管理方法及装置 | |
| CN112277726B (zh) | 锂离子电池负极析锂保护方法、系统及计算机可读存储介质 | |
| CN102809728B (zh) | 一种寿命工况强度评估方法 | |
| CN116804715A (zh) | 一种判断导致电池系统出现不一致原因的方法 | |
| CN111190112B (zh) | 一种基于大数据分析的电池充放电预测方法及系统 | |
| CN114594380A (zh) | 一种基于bp神经网络的电池soc预测方法 | |
| CN113275271A (zh) | 锂电池的分选方法 | |
| CN105653844A (zh) | 一种计算电池热能转换效率的方法 | |
| CN118465576B (zh) | 自动化电池检测与换电系统 | |
| CN110286326A (zh) | 快速评估锂离子动力电池脉冲功率充放电能力的方法 | |
| CN111896873B (zh) | 一种用于评估储能电站健康状态的方法及系统 |
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 |