CN116626505A - 一种基于车联网大数据的电池组一致性异常检测方法 - Google Patents
一种基于车联网大数据的电池组一致性异常检测方法 Download PDFInfo
- Publication number
- CN116626505A CN116626505A CN202310897869.XA CN202310897869A CN116626505A CN 116626505 A CN116626505 A CN 116626505A CN 202310897869 A CN202310897869 A CN 202310897869A CN 116626505 A CN116626505 A CN 116626505A
- Authority
- CN
- China
- Prior art keywords
- data
- charging
- internet
- battery
- battery pack
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 claims abstract description 124
- 230000008569 process Effects 0.000 claims abstract description 95
- 238000012549 training Methods 0.000 claims abstract description 37
- 239000000178 monomer Substances 0.000 claims abstract description 36
- 230000002159 abnormal effect Effects 0.000 claims abstract description 23
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 238000004140 cleaning Methods 0.000 claims abstract description 8
- 238000010276 construction Methods 0.000 claims abstract description 7
- 230000005856 abnormality Effects 0.000 claims description 13
- 230000000694 effects Effects 0.000 claims description 12
- 238000010801 machine learning Methods 0.000 claims description 10
- GELKBWJHTRAYNV-UHFFFAOYSA-K lithium iron phosphate Chemical compound [Li+].[Fe+2].[O-]P([O-])([O-])=O GELKBWJHTRAYNV-UHFFFAOYSA-K 0.000 claims description 8
- 230000007246 mechanism Effects 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 4
- 230000007423 decrease Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000012545 processing Methods 0.000 abstract description 5
- 238000003745 diagnosis Methods 0.000 abstract description 2
- 238000006243 chemical reaction Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002023 wood 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]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
-
- 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)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明一种基于车联网大数据的电池组一致性异常检测方法是基于车联网大数据提出的新能源汽车动力电池组安全检测方法，涉及车联网大数据处理技术和电池组一致性故障诊断。步骤为：步骤1：对车联网采集的原始数据进行清洗；剔除原始数据中的无效数据；步骤2：充电过程划分；步骤3：特征计算与训练数据集构建；计算单车各充电过程每个单体的电容增量值；步骤4：IC曲线异常检测模型构建；基于孤立森林算法学习单车所有充电过程、所有单体电池的电压及电容增量这二维的特征值；步骤5：利用第六步训练后的模型推理线上所有车辆在一周时间内所有充电过程的数据；步骤6：根据步骤5定时推理计算出离散单体电池的异常比例，定制识别故障单体策略。
Description
技术领域
本发明一种基于车联网大数据的电池组一致性异常检测方法是基于车联网大数据提出了一种新能源汽车动力电池组安全检测方法，具体涉及车联网大数据处理技术和电池组一致性故障诊断。
背景技术
二十世纪汽车工业不断发展，提高大众出行效率的同时也带来了环境污染的困扰，新能源汽车的出现使得这一现象得到改善。随着“低碳经济”成为二十一世纪的主旋律之一，新能源汽车兼具能耗低、污染少的特性，成为越来越多人群的出行选择。归功于电力电子技术的进一步发展，新能源汽车续航里程已能比肩内燃车，满足大众的出行需求。但是，新能源汽车的续航能力、成本主要来源于动力电池组。出于安全性考虑，动力电池组一般由数百种相同的单体电池串并联而成，电池组性能关乎于每一个单体电池，并且满足“木桶效应”，往往因最差的单体电池而性能受限。因此，对动力电池组进行一致性故障检测对新能源汽车的续航里程、寿命等有着非常重要的影响。若电池组一致性出现严重偏差，不仅会危及车辆的使用，甚至会对驾驶人的生命财产安全产生威胁。
然而，由于制作工艺的偏差以及环境温度变化等的综合影响，新能源汽车动力电池组出现不一致问题难以避免，如何对电池组一致性问题进行有效监控、以及如何成功检测出导致电池组不一致的单体电池在实际应用中更有意义。
事实上，单体电池的电池容量、SOC（state of charge，剩余容量与其完全充电状态的容量的比值，取值范围为0~1，当SOC=0时表示电池放电完全，当SOC=1时表示电池完全充满，以下简称SOC）估计虽然是电池组出现不一致性问题最直接的反馈，但对其故障单体的识别却依然是尚未有效解决的研究方向。因此，目前检测一致性故障主要是检测各单体电池的电压、电流、温度、内阻等外在特征。若动力电池组串联，则主要检测单体电池的电压；若动力电池组并联，则主要检测单体电池的电流。尽管这种检测方法的应用已非常广泛，故障单体识别的准确率也能得到保证，但也存在一些缺陷。在检测单体电池电压极差的离散程度时，为降低误报率，一般对电压极差设置在较大的阈值，这就导致一致性故障的检测缺乏时效性，很难提前预警。
如今，国家越来越重视车联网行业的发展，规范车企按要求上报相关数据。大数据处理技术、计算机行业的不断发展，也使得车联网大数据成为了有效资源。我们期望从车联网大数据中发现导致动力电池组出现不一致性的内在机理，从内在机理出发构建一种电池组一致性故障检测方法，在有效检测出故障单体的前提下，也期望能实现提前预警的功能，定位故障车的故障单体。
发明内容
本发明的目的是完善现有新能源汽车电池组一致性故障检测方法的不足，提出了一种基于车联网大数据的动力电池组一致性故障检测方法，结合车联网大数据处理技术以及机器学习技术，优化了故障单体电池检测的准确率与时效性。
本发明一种基于车联网大数据的电池组一致性异常检测方法，其具体实施流程包括了以下步骤：
步骤1：对车联网采集的原始数据进行清洗；剔除原始数据中的无效数据，以保证模型训练与预测的效果。在原始数据中，由于驾驶员个人行为、终端异常状态、网络传输或解析错误等原因，部分车辆采集上来的原始数据存在数据缺失、数据异常等问题。需要剔除或以平均值代替脏数据，保证数据采集频率相同；步骤1数据清洗中的采集频率为0.1HZ，所述原始数据为车辆行驶过程中上传至云端的车辆数据；步骤2：充电过程划分；当车辆充电时，“充电状态”显示为“停车充电”，否则显示为“未充电状态”，从而根据充电状态切换的时刻切分充电过程；步骤3：特征计算与训练数据集构建；计算单车各充电过程每个单体的电容增量值，即对各充电过程截取单体电压差值以及计算电容增量的过程；而本发明利用电压及电容增量这两个维度的数据作为特征，既满足磷酸铁锂额电池组机理，也比电压一维数据作为特征更加全面；截取出单车各充电过程各单体的电压以及电容增量IC值，作为训练数据集；步骤4：IC曲线异常检测模型构建；基于孤立森林算法学习单车所有充电过程、所有单体电池的电压及电容增量这二维的特征值，即学习训练数据集；将识别出的正常数据判定为1，离散数据判定为-1；由于该算法一定会输出1%的离散点，若车辆的动力电池组一致性正常，各单体电池的异常比例应该是趋向于平均的；若离散点集中于某一个单体上，则该单体可能存在一致性偏差；步骤5：利用第六步训练后的模型推理线上所有车辆在一周时间内所有充电过程的数据；为避免IC曲线整体偏移对孤立森林离散点检测的影响，且保证单车有足够多的充电过程用于模型训练，根据单车预定时间内的充电过程数据构建并提取（电压，电容增量）二维特征作为训练集，利用孤立森林机器学习方法计算预定时间内的所有离散数据，根据其离散数据，输出单车充电过程中离散单体电池的异常比例；所述的预定时间为一周。步骤6：根据步骤5定时推理计算出的离散单体电池的异常比例，定制识别故障单体的策略，对满足故障识别策略的故障单体输出其单体编号、对应车辆编号。
以上步骤中，所述步骤1中对车联网采集的原始数据进行清洗，剔除原始数据中的无效数据，具体包括如下步骤：
步骤S1-1：根据充电状态信息选取车辆充电过程中的工况数据，保留时间戳、SOC、总电流、各电池电压列表和各电池温度列表的关键测点；
步骤S1-2：将总电流为正（充电过程中总电流为负值）的数据剔除；
步骤S1-3：为了后续计算IC曲线的准确性，剔除充电量<10(KWH)的数据；
所述步骤2中，充电过程划分，具体包括如下步骤：
步骤S2-1：对全量数据的初始“过程”状态标记为0，并提取所有充电数据，即“充电状态”显示为“停车充电”的数据；
步骤S2-2：保存所有充电数据的索引，那么所有索引对应的“充电状态”应为“停车充电”，若有索引位于全量数据的第一个或最后一个，则删除该索引；
步骤S2-3：遍历所有索引，若该索引在全量数据中的上一条数据的“充电状态”显示为“未充电状态”，则将该索引的“过程”更新为1；若该索引在全量数据中的下一条数据的“充电状态”显示为“未充电状态”，则将该索引的下一条数据的“过程”更新为1；
步骤S2-4：对充电数据，按时间依次累加“过程”这一标记，就此完成单车充电过程的划分。
所述步骤3中，特征计算与训练数据集构建，具体包括如下步骤：
步骤S3-1：对一般车辆终端采集的原始数据包含的是“单体电池电压值列表”，需要对其展开，并对单体电压进行编号；
步骤S3-2：对充电过程中相邻时刻同一单体电池的电压做差，得到各单体电池的电压差。能源汽车充电的过程也是单体电池电压增加的过程，因此电压差值一般为正值，否则都记为0；
步骤S3-3：由于本发明针对的是动力电池组串联，所有电池组的电流相同，都等于“总电流”。又因为本发明的数据采集频率为0.1Hz，即10秒采集一次数据，而一小时为3600秒，所以用“总电流”乘以10除以3600再除以单体电池容量，得到所有单体电池的10秒内的充电容量变化;
步骤S3-4：对于第k个充电过程中的第i个电池单体，利用相邻两个时刻t，t-1的充电容量变化(SOCk,t– SOCk,t-1)分别除以该时刻各单体电池的电压差Vi k,t-Vi k,t-1，得到该时刻各单体电池的电容增量IC_delta，公式如下所示；
所述步骤3中，充电时间过短会导致IC曲线不完整，对模型的输出效果有一定影响，因此在训练数据集中需要剔除充电时长过短的数据，优选地剔除充电时长短于五分钟的充电过程。
所述步骤4中，IC曲线异常检测模型，采用孤立森林无监督机器学习模型，是考虑到对于不同的充电模式，IC曲线的表现形式有所不同，一般表现为1-3个峰值。本发明的新能源汽车充电模式为先恒流再恒压，这也是目前新能源汽车的主流充电模式，IC曲线表现为一个峰值，即电容增量随着电压值先增加后减少。本发明中，大部分单体电池的IC曲线均符合这一趋势，但极少部分存在电压值异常低或异常高时仍有电容增加，且这些离散数据的特征值与正常数据偏差较大。优选地，由于孤立森林算法一定会识别出离散点，基于实施例数据考虑，将离散点比例设定为0.01，这一参数根据实际情况可调。
所述步骤4中，为了兼顾模型效果和分析时效性，需要保证训练数据集尽可能丰富同时模型的运算速度需要尽可能快，因而在模型训练及后续推理阶段，需要将数据存储至HDFS（Hadoop Distributed File System，为一个文件系统，用于存储文件，通过目录树来定位，以下简称HDFS）中，并基于分布式计算框架Spark完成模型相关计算。
所述步骤6中，定制识别故障单体的策略如下：
（1）单次预测的充电过程中，某离散单体电池异常比例大于等于50%；
（2）某单一电池出现两次或两次以上其异常比例大于等于30%；
（3）单次充电过程某单体电池的电容增量与其它单体的最大电容增量的偏差超过15%。
以上情况任意满足一条即可认定为故障单体。
本发明基于磷酸铁锂电池的新能源汽车采集解析来的多天的原始数据，在对大量原始数据进行数据清洗后，提取每辆车所有充电过程，将开始充电到结束充电的车辆号、时间、SOC、电流、单体电压等所有信息认为是一辆车的一次充电过程，后续对每辆车所有充电过程选取合适的特征指标。结合新能源汽车的机理知识，本发明选取两个指标：单体电压、单体电容增量（IC值）作为机器学习模型的特征，将每辆车所有充电过程中每个时刻每个单体电池的电压值、IC值作为训练数据集，使用孤立森林异常检测算法（Isolation Forest）对训练数据集进行训练学习，输出每辆车各充电过程中每个单体电池的异常比例。由于本发明是无监督机器学习模型，最后结合各充电过程异常比例制定故障单体识别策略，识别出故障车的故障单体编号。IC曲线（即电容增量IC-电压U曲线）的很多特征能反映电池动力学特性，如动力电池组的整体老化表现为充电过程的IC曲线整体向右侧高电压方向偏移。为避免IC曲线整体偏移对孤立森林离散点检测的影响，且保证单车有足够多的充电过程用于模型训练，本发明一般将单车一周的充电过程数据用作训练集，每周对故障车辆输出故障单体编号。
为实现上述目标，本发明采用以下详细技术方案：针对国标GB32960协议上报的大量车辆数据进行分析，结合电池充电的机理知识，将充电过程中单体电池内部反应剧烈的化学反应，转化为IC曲线上波动明显的电容增量值，使用孤立森林异常检测算法实现对新能源汽车电池组的一致性故障检测。通过孤立森林异常检测算法可发现单车充电过程中的离散点即不符合电池一致性的点，基于这些离散点之上，可计算这些离散点中各个电池单体的占比情况，定位到异常单体，基于BI工具可以可视化展示模型预测结果，充电过程中单体电容的分布等。由于孤立森林异常检测算法是无监督学习模型，模型参数中离散点占比参数会导致一定会输出离散点，因此在电池一致性正常的情况下，离散点中各单体异常比例应该是趋向于平均的，若某单体异常比例大于特定阈值，则才会判定为导致不一致性异常的故障单体。
本发明实施例提供了一种基于车联网大数据的电池组一致性异常检测方法，具有如下有益效果：
结合当前的车联网大数据处理技术和机器学习算法，针对纯电汽车中动力源类型为磷酸铁锂电池的新能源汽车，从电池组机理知识出发，形成了高效又轻量级的电池组一致性检测算法，其针对磷酸铁锂电池的新能源汽车，而不局限于单一车辆、单一品牌、单一车型，为此类动力电池组一致性检测问题提供了通用的方法，可行性高、耗时短，显著提高经济效益；另外，本发明是将充电过程中单体电池内部反应剧烈的化学反应，转化为IC曲线上波动明显的电容增量值，不同于以往检测方法从电压结果出发，能从放大后的电容增量变化中提前预警单体电池的异常，以防车辆在使用中发生单体电池因一致性偏差而产生的故障或损耗，提高车辆的运营效率减少计划外停机；另一方面，本发明能够每周检测动力电池组的一致性问题，并将孤立森林检测模型训练和预测结果进行可视化展示，精确查找出故障车辆的故障单体编号，输出结果清晰明了，为后续维修提供依据；且原始数据都是基于国标GB32960协议采集的数据，无需额外安装传感器，减少资源开销的同时将采集上来的车辆数据再次利用，帮助数据化资产有效利用，对经济价值和社会价值均有增益效果。
附图说明
图1为本发明采用孤立森林异常检测算法解析示意图。
图2为本发明实施的一致性模型结果示意图。
具体实施方式
为使本发明实施例的目的、技术方案、优点等更为清楚，下面将结合本发明实施例及附图1-2，对上述几点进行更为严谨、完整的描述。但需说明，本发明并不局限于该实施例，同领域的技术人员根据这些实施方法所做出的结构、方法、功能上的变换均包含在本发明的保护范围内。
本发明实施例说明的是以磷酸铁锂电池为动力的汽车电池一致性异常检测方法，其具体实施流程包括了以下步骤，如图1所示：
步骤1：对车联网采集的原始数据进行清洗，剔除原始数据中的无效数据，以保证模型训练与预测的效果。在原始数据中，由于驾驶员个人行为、终端异常状态、网络传输或解析错误等原因，部分车辆采集上来的原始数据存在数据缺失、数据异常等问题。需要剔除或以平均值代替脏数据，保证数据采集频率相同，步骤1数据清洗中的采集频率为0.1HZ，所述原始数据为车辆行驶过程中上传至云端的车辆数据；
步骤2：充电过程划分，由于本实施例存在“充电状态”这一测点，因此单车充电过程的划分主要基于这一测点。当车辆充电时，“充电状态”显示为“停车充电”，否则显示为“未充电状态”，从而根据充电状态切换的时刻切分充电过程；
步骤3：特征计算与训练数据集构建，计算单车各充电过程每个单体的电容增量值，即对各充电过程截取单体电压差值以及计算电容增量的过程；需要说明的是，由于新能源汽车充电的过程是SOC增加的过程，也是各单体电池电压增加的过程，且接近充满时电压增加会显著变快。本实施例测试后发现，对于充电数据，单体电池电压极差过大一般发生在接近充满的时刻。而本实施例利用（电压，电容增量）二维数据作为特征，既满足磷酸铁锂额电池组机理，也比电压一维数据作为特征更加全面。截取出单车各充电过程各单体的电压以及电容增量IC值，作为训练数据集；
步骤4：IC曲线异常检测模型构建，基于孤立森林算法学习单车所有充电过程、所有单体电池的（电压，电容增量）二维特征值，即学习训练数据集。将识别出的正常数据判定为1，离散数据判定为-1。由于该算法一定会输出1%的离散点，若车辆的动力电池组一致性正常，各单体电池的异常比例应该是趋向于平均的；若离散点集中于某一个单体上，则该单体可能存在一致性偏差，如图2所示；
步骤5：利用第六步训练后的模型推理线上所有车辆在一周时间内所有充电过程的数据。为避免IC曲线整体偏移对孤立森林离散点检测的影响，且保证单车有足够多的充电过程用于模型训练，本实施例根据单车一周的充电过程数据构建并提取（电压，电容增量）二维特征作为训练集，利用孤立森林机器学习方法计算当前一周的所有离散数据，根据其离散数据，输出单车充电过程中离散单体电池的异常比例；
步骤6：根据第一步定时预测计算出的离散单体电池的异常比例，定制识别故障单体的策略，对满足故障识别策略的故障单体输出其单体编号、对应车辆编号。
以上步骤中，所述步骤1中对车联网采集的原始数据进行清洗，剔除原始数据中的无效数据，具体包括如下步骤：
步骤S1-1：根据充电状态信息选取车辆充电过程中的工况数据，保留时间戳、SOC、总电流、各电池电压列表和各电池温度列表的关键测点；
步骤S1-2：将总电流为正（充电过程中总电流为负值）的数据剔除；
步骤S1-3：为了后续计算IC曲线的准确性，剔除充电量<10(KWH)的数据；
所述步骤2中，充电过程划分，具体包括如下步骤：
步骤S2-1：对全量数据的初始“过程”状态标记为0，并提取所有充电数据，即“充电状态”显示为“停车充电”的数据；
步骤S2-2：保存所有充电数据的索引，那么所有索引对应的“充电状态”应为“停车充电”，若有索引位于全量数据的第一个或最后一个，则删除该索引；
步骤S2-3：遍历所有索引，若该索引在全量数据中的上一条数据的“充电状态”显示为“未充电状态”，则将该索引的“过程”更新为1；若该索引在全量数据中的下一条数据的“充电状态”显示为“未充电状态”，则将该索引的下一条数据的“过程”更新为1；
步骤S2-4：对充电数据，按时间依次累加“过程”这一标记，就此完成单车充电过程的划分。
所述步骤3中，特征计算与训练数据集构建，具体包括如下步骤：
步骤S3-1：对一般车辆终端采集的原始数据包含的是“单体电池电压值列表”，需要对其展开，并对单体电压进行编号；
步骤S3-2：对充电过程中相邻时刻同一单体电池的电压做差，得到各单体电池的电压差。能源汽车充电的过程也是单体电池电压增加的过程，因此电压差值一般为正值，否则都记为0；
步骤S3-3：由于本发明针对的是动力电池组串联，所有电池组的电流相同，都等于“总电流”。又因为本实施例的数据采集频率为0.1Hz，即10秒采集一次数据，而一小时为3600秒，所以用“总电流”乘以10除以3600再除以单体电池容量，得到所有单体电池的10秒内的充电容量变化;
步骤S3-4：对于第k个充电过程中的第i个电池单体，利用相邻两个时刻t，t-1的充电容量变化(SOCk,t– SOCk,t-1)分别除以该时刻各单体电池的电压差Vi k,t-Vi k,t-1，得到该时刻各单体电池的电容增量IC_delta，公式如下所示；
所述步骤3中，需要注意的是，充电时间过短会导致IC曲线不完整，对模型的输出效果有一定影响，因此在训练数据集中需要剔除充电时长过短的数据，本实施例中剔除充电时长约短于五分钟的充电过程。
所述步骤4中，IC曲线异常检测模型，采用孤立森林无监督机器学习模型，是考虑到对于不同的充电模式，IC曲线的表现形式有所不同，一般表现为1-3个峰值。本实施例的新能源汽车充电模式为先恒流再恒压，这也是目前新能源汽车的主流充电模式，IC曲线表现为一个峰值，即电容增量随着电压值先增加后减少。本实施例中，大部分单体电池的IC曲线均符合这一趋势，但极少部分存在电压值异常低或异常高时仍有电容增加，且这些离散数据的特征值与正常数据偏差较大。由于孤立森林算法一定会识别出离散点，基于实施例数据考虑，将离散点比例设定为0.01，这一参数根据实际情况可调。
所述步骤4中，为了兼顾模型效果和分析时效性，需要保证训练数据集尽可能丰富同时模型的运算速度需要尽可能快，因而在模型训练及后续推理阶段，需要将数据存储至HDFS中，并基于分布式计算框架Spark完成模型相关计算。
所述步骤6中，定制识别故障单体的策略如下：
（1）单次预测的充电过程中，某离散单体电池异常比例大于等于50%；
（2）某单一电池出现两次或两次以上其异常比例大于等于30%；
（3）单次充电过程某单体电池的电容增量显著大于其它单体的最大电容增量。
以上情况任意满足一条即可认定为故障单体。
至此，已完成本发明基于磷酸铁锂电池IC曲线的孤立森林异常检测算法的所有流程。经本实施例多辆车辆验证，该模型能够比现有的基于电压极差的一致性识别方法提前对故障单体报警，误报率、准确率等均能满足实际应用需求。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的技术人员在本发明的启示下，对本发明进行的等同替换及不脱离本发明精神和范围的修改或局部替换，其均应涵盖在本发明权利要求保护的范围之内。
Claims (9)
1.一种基于车联网大数据的电池组一致性异常检测方法，其特征在于：包括以下步骤：
步骤1：对车联网采集的原始数据进行清洗；剔除原始数据中的无效数据，以保证模型训练与预测的效果；步骤2：充电过程划分；当车辆充电时，“充电状态”显示为“停车充电”，否则显示为“未充电状态”，从而根据充电状态切换的时刻切分充电过程；步骤3：特征计算与训练数据集构建；计算单车各充电过程每个单体的电容增量值，即对各充电过程截取单体电压差值以及计算电容增量的过程；而本发明利用电压及电容增量这两个维度的数据作为特征，既满足磷酸铁锂额电池组机理，也比电压一维数据作为特征更加全面；截取出单车各充电过程各单体的电压以及电容增量IC值，作为训练数据集；步骤4：IC曲线异常检测模型构建；基于孤立森林算法学习单车所有充电过程、所有单体电池的二维特征值，即学习训练数据集；将识别出的正常数据判定为1，离散数据判定为-1；由于该算法一定会输出1%的离散点，若车辆的动力电池组一致性正常，各单体电池的异常比例应该是趋向于平均的；若离散点集中于某一个单体上，则该单体可能存在一致性偏差；步骤5：利用第六步训练后的模型推理线上所有车辆在一周时间内所有充电过程的数据；为避免IC曲线整体偏移对孤立森林离散点检测的影响，且保证单车有足够多的充电过程用于模型训练，根据单车预定时间内的充电过程数据构建并提取二维特征作为训练集，利用孤立森林机器学习方法计算预定时间内的所有离散数据，根据其离散数据，输出单车充电过程中离散单体电池的异常比例；所述的预定时间为一周；步骤6：根据步骤5定时推理计算出的离散单体电池的异常比例，定制识别故障单体的策略，对满足故障识别策略的故障单体输出其单体编号、对应车辆编号。
2.根据权利要求1所述的一种基于车联网大数据的电池组一致性异常检测方法，其特征在于：所述步骤1中对车联网采集的原始数据进行清洗，剔除原始数据中的无效数据，包括如下步骤：
步骤S1-1：根据充电状态信息选取车辆充电过程中的工况数据，保留时间戳、SOC、总电流、各电池电压列表和各电池温度列表的关键测点；
步骤S1-2：将总电流为正的数据剔除；
步骤S1-3：为了后续计算IC曲线的准确性，剔除充电量<10(KWH)的数据。
3.根据权利要求1所述的一种基于车联网大数据的电池组一致性异常检测方法，其特征在于：
步骤1数据清洗中的采集频率为0.1HZ，所述原始数据为车辆行驶过程中上传至云端的车辆数据。
4.根据权利要求1所述的一种基于车联网大数据的电池组一致性异常检测方法，其特征在于：
步骤2中，充电过程划分，包括如下步骤：
步骤S2-1：对全量数据的初始“过程”状态标记为0，并提取所有充电数据，即“充电状态”显示为“停车充电”的数据；
步骤S2-2：保存所有充电数据的索引，那么所有索引对应的“充电状态”应为“停车充电”，若有索引位于全量数据的第一个或最后一个，则删除该索引；
步骤S2-3：遍历所有索引，若该索引在全量数据中的上一条数据的“充电状态”显示为“未充电状态”，则将该索引的“过程”更新为1；若该索引在全量数据中的下一条数据的“充电状态”显示为“未充电状态”，则将该索引的下一条数据的“过程”更新为1；
步骤S2-4：对充电数据，按时间依次累加“过程”这一标记，就此完成单车充电过程的划分。
5.根据权利要求1所述的一种基于车联网大数据的电池组一致性异常检测方法，其特征在于：
步骤3中，特征计算与训练数据集构建，包括如下步骤：
步骤S3-1：对车辆终端采集的原始数据包含的是“单体电池电压值列表”，需要对其展开，并对单体电压进行编号；
步骤S3-2：对充电过程中相邻时刻同一单体电池的电压做差，得到各单体电池的电压差；能源汽车充电的过程也是单体电池电压增加的过程，因此电压差值为正值，否则都记为0；
步骤S3-3：动力电池组串联，所有电池组的电流相同，都等于“总电流”；又因为本发明的数据采集频率为0.1Hz，即10秒采集一次数据，而一小时为3600秒，所以用“总电流”乘以10除以3600再除以单体电池容量，得到所有单体电池的10秒内的充电容量变化;
步骤S3-4：对于第k个充电过程中的第i个电池单体，利用相邻两个时刻t，t-1的充电容量变化分别除以该时刻各单体电池的电压差Vi k,t-Vi k,t-1，得到该时刻各单体电池的电容增量IC_delta，公式如下所示；
；
所述步骤3中，充电时间过短会导致IC曲线不完整，对模型的输出效果有一定影响，因此在训练数据集中需要剔除充电时长过短的数据。
6.根据权利要求1所述的一种基于车联网大数据的电池组一致性异常检测方法，其特征在于：
所述步骤4中，IC曲线异常检测模型，采用孤立森林无监督机器学习模型，考虑到对于不同的充电模式，IC曲线的表现形式有所不同；本发明的新能源汽车充电模式为先恒流再恒压。
7.根据权利要求6所述的一种基于车联网大数据的电池组一致性异常检测方法，其特征在于：
IC曲线表现为一个峰值，即电容增量随着电压值先增加后减少，离散点比例设定为0.01。
8.根据权利要求6所述的一种基于车联网大数据的电池组一致性异常检测方法，其特征在于：
所述步骤4中，为了兼顾模型效果和分析时效性，需要保证训练数据集丰富同时模型的运算速度快，因而在模型训练及后续推理阶段，需要将数据存储至HDFS中，并基于分布式计算框架Spark完成模型相关计算。
9.根据权利要求1所述的一种基于车联网大数据的电池组一致性异常检测方法，其特征在于：
所述步骤6中，定制识别故障单体的策略如下：
（1）单次预测的充电过程中，某离散单体电池异常比例大于等于50%；
（2）某单一电池出现两次或两次以上其异常比例大于等于30%；
（3）单次充电过程某单体电池的电容增量与其它单体的最大电容增量的偏差超过15%；
以上情况任意满足一条即可认定为故障单体。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310897869.XA CN116626505B (zh) | 2023-07-21 | 2023-07-21 | 一种基于车联网大数据的电池组一致性异常检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310897869.XA CN116626505B (zh) | 2023-07-21 | 2023-07-21 | 一种基于车联网大数据的电池组一致性异常检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116626505A true CN116626505A (zh) | 2023-08-22 |
| CN116626505B CN116626505B (zh) | 2023-10-13 |
Family
ID=87638550
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310897869.XA Active CN116626505B (zh) | 2023-07-21 | 2023-07-21 | 一种基于车联网大数据的电池组一致性异常检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116626505B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117067920A (zh) * | 2023-10-18 | 2023-11-17 | 北京航空航天大学 | 动力电池的故障检测方法、装置、电子设备及电动汽车 |
| CN117067921A (zh) * | 2023-10-18 | 2023-11-17 | 北京航空航天大学 | 电动汽车的故障检测方法及电动汽车 |
| CN117113453A (zh) * | 2023-08-28 | 2023-11-24 | 上海智租物联科技有限公司 | 基于3d与大数据技术的电池问题诊断方法及存储介质 |
| CN117261599A (zh) * | 2023-10-18 | 2023-12-22 | 北京航空航天大学 | 电动汽车的故障检测方法、装置、电子设备及电动汽车 |
| CN117939474A (zh) * | 2024-03-21 | 2024-04-26 | 江苏海平面数据科技有限公司 | 基于车联网大数据的通讯终端检测系统和方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111208445A (zh) * | 2020-02-25 | 2020-05-29 | 中国第一汽车股份有限公司 | 一种动力电池异常单体识别方法及系统 |
| CN112507003A (zh) * | 2021-02-03 | 2021-03-16 | 江苏海平面数据科技有限公司 | 一种基于大数据架构的车联网数据分析平台 |
| CN112801555A (zh) * | 2021-04-01 | 2021-05-14 | 江苏海平面数据科技有限公司 | 一种基于车联网大数据的车辆动力性综合评价方法 |
| CN113759251A (zh) * | 2021-08-17 | 2021-12-07 | 江苏大学 | 基于类容量增量曲线的云端电池组容量一致性分析方法 |
| CN114236393A (zh) * | 2021-11-30 | 2022-03-25 | 上海瑞浦青创新能源有限公司 | 基于大数据的在线检测电池异常的方法及系统 |
| CN114720883A (zh) * | 2022-06-02 | 2022-07-08 | 国网浙江省电力有限公司电力科学研究院 | 一种基于孤立森林算法的锂电池故障识别方法 |
| CN115372828A (zh) * | 2022-08-22 | 2022-11-22 | 上海褒科智能科技有限公司 | 基于充电片段数据和无监督算法的电芯一致性评估方法 |
| CN115792681A (zh) * | 2022-03-01 | 2023-03-14 | 浙江凌骁能源科技有限公司 | 一种基于车联网大数据平台的单体电池一致性检测算法 |
| CN116184247A (zh) * | 2023-02-28 | 2023-05-30 | 合肥国轩高科动力能源有限公司 | 一种检测异常车辆电池的方法、装置、设备及介质 |
| CN116243165A (zh) * | 2021-12-07 | 2023-06-09 | 标致雪铁龙汽车股份有限公司 | 确定电池一致性的方法、装置、计算设备及车辆 |
| WO2023106729A1 (ko) * | 2021-12-09 | 2023-06-15 | 주식회사 엘지에너지솔루션 | 저전압 불량 전지의 선별 방법 |
-
2023
- 2023-07-21 CN CN202310897869.XA patent/CN116626505B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111208445A (zh) * | 2020-02-25 | 2020-05-29 | 中国第一汽车股份有限公司 | 一种动力电池异常单体识别方法及系统 |
| CN112507003A (zh) * | 2021-02-03 | 2021-03-16 | 江苏海平面数据科技有限公司 | 一种基于大数据架构的车联网数据分析平台 |
| CN112801555A (zh) * | 2021-04-01 | 2021-05-14 | 江苏海平面数据科技有限公司 | 一种基于车联网大数据的车辆动力性综合评价方法 |
| CN113759251A (zh) * | 2021-08-17 | 2021-12-07 | 江苏大学 | 基于类容量增量曲线的云端电池组容量一致性分析方法 |
| CN114236393A (zh) * | 2021-11-30 | 2022-03-25 | 上海瑞浦青创新能源有限公司 | 基于大数据的在线检测电池异常的方法及系统 |
| CN116243165A (zh) * | 2021-12-07 | 2023-06-09 | 标致雪铁龙汽车股份有限公司 | 确定电池一致性的方法、装置、计算设备及车辆 |
| WO2023106729A1 (ko) * | 2021-12-09 | 2023-06-15 | 주식회사 엘지에너지솔루션 | 저전압 불량 전지의 선별 방법 |
| CN115792681A (zh) * | 2022-03-01 | 2023-03-14 | 浙江凌骁能源科技有限公司 | 一种基于车联网大数据平台的单体电池一致性检测算法 |
| CN114720883A (zh) * | 2022-06-02 | 2022-07-08 | 国网浙江省电力有限公司电力科学研究院 | 一种基于孤立森林算法的锂电池故障识别方法 |
| CN115372828A (zh) * | 2022-08-22 | 2022-11-22 | 上海褒科智能科技有限公司 | 基于充电片段数据和无监督算法的电芯一致性评估方法 |
| CN116184247A (zh) * | 2023-02-28 | 2023-05-30 | 合肥国轩高科动力能源有限公司 | 一种检测异常车辆电池的方法、装置、设备及介质 |
Non-Patent Citations (2)
| Title |
|---|
| YI LI ET AL.: "Random forest regression for online capacity estimation of lithium-ion batteries", 《APPLIED ENERGY》, pages 197 - 210 * |
| 李放 等: "基于大数据的动力锂电池可靠性关键技术研究综述", 《储能科学与技术》, pages 1981 - 1994 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117113453A (zh) * | 2023-08-28 | 2023-11-24 | 上海智租物联科技有限公司 | 基于3d与大数据技术的电池问题诊断方法及存储介质 |
| CN117113453B (zh) * | 2023-08-28 | 2024-04-26 | 上海智租物联科技有限公司 | 基于3d与大数据技术的电池问题诊断方法及存储介质 |
| CN117067920A (zh) * | 2023-10-18 | 2023-11-17 | 北京航空航天大学 | 动力电池的故障检测方法、装置、电子设备及电动汽车 |
| CN117067921A (zh) * | 2023-10-18 | 2023-11-17 | 北京航空航天大学 | 电动汽车的故障检测方法及电动汽车 |
| CN117261599A (zh) * | 2023-10-18 | 2023-12-22 | 北京航空航天大学 | 电动汽车的故障检测方法、装置、电子设备及电动汽车 |
| CN117067920B (zh) * | 2023-10-18 | 2024-01-05 | 北京航空航天大学 | 动力电池的故障检测方法、装置、电子设备及电动汽车 |
| CN117067921B (zh) * | 2023-10-18 | 2024-01-05 | 北京航空航天大学 | 电动汽车的故障检测方法及电动汽车 |
| CN117261599B (zh) * | 2023-10-18 | 2024-05-03 | 北京航空航天大学 | 电动汽车的故障检测方法、装置、电子设备及电动汽车 |
| CN117939474A (zh) * | 2024-03-21 | 2024-04-26 | 江苏海平面数据科技有限公司 | 基于车联网大数据的通讯终端检测系统和方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116626505B (zh) | 2023-10-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116626505B (zh) | 一种基于车联网大数据的电池组一致性异常检测方法 | |
| AU2021102629A4 (en) | Lithium battery thermal runaway multi-level detection and early warning system and judgment method | |
| WO2022213597A1 (zh) | 一种新能源车辆三电系统安全特征数据库构建方法 | |
| CN115356636A (zh) | 一种数据驱动的新能源汽车电池故障报警和故障预警模型 | |
| CN116381514B (zh) | 一种电芯压差预警方法、装置、存储介质及设备 | |
| CN107367698A (zh) | 电动汽车锂电池组的健康状态预测方法 | |
| CN113281671A (zh) | 一种基于igs-svm的锂离子电池剩余使用寿命预测方法及系统 | |
| CN112380630B (zh) | 基于车联网数据的新能源汽车电池热失控风险的预测方法 | |
| CN110712528B (zh) | 一种动力电池组实时监控方法及设备 | |
| CN114312322B (zh) | 车辆检测方法及装置 | |
| CN115958957B (zh) | 一种电动汽车动力电池充电过热故障预测方法及系统 | |
| CN113866641A (zh) | 一种锂离子电池的故障检测方法及装置 | |
| CN112363061A (zh) | 一种基于大数据的热失控风险评估方法 | |
| Wang et al. | Charging diagnosis of power battery based on adaptive STCKF and BLS for electric vehicles | |
| CN114646888A (zh) | 一种动力电池容量衰减的评估方法及系统 | |
| CN113505932A (zh) | 一种基于大数据技术评估的动力电池容量算法 | |
| Zhou et al. | Data-driven battery state-of-health estimation and prediction using IC based features and coupled model | |
| CN113391214A (zh) | 一种基于电池充电电压排名变化的电池微故障诊断方法 | |
| Diao et al. | Research on Electric Vehicle Charging Safety Warning based on A-LSTM Algorithm | |
| CN116154829A (zh) | 一种动力电池梯次利用的电网储能系统 | |
| Liu et al. | Battery fault diagnosis scheme based on improved rbf neural network | |
| Upashrutti et al. | Estimation of State of Charge of EV Batteries-A Machine Learning Approach | |
| CN115201681A (zh) | 一种锂电池安全性能检测方法及系统 | |
| US11513164B2 (en) | Method and system for estimating battery pack balance state of new energy vehicle | |
| CN114779099A (zh) | 一种基于大数据的新能源汽车电池性能分析监测系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |