CN116736142B - 一种电池组健康状况预警的方法、系统及装置 - Google Patents
一种电池组健康状况预警的方法、系统及装置 Download PDFInfo
- Publication number
- CN116736142B CN116736142B CN202311015864.6A CN202311015864A CN116736142B CN 116736142 B CN116736142 B CN 116736142B CN 202311015864 A CN202311015864 A CN 202311015864A CN 116736142 B CN116736142 B CN 116736142B
- Authority
- CN
- China
- Prior art keywords
- data
- battery pack
- battery
- model
- cell
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000036541 health Effects 0.000 title claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000011156 evaluation Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 6
- 230000002596 correlated effect Effects 0.000 claims description 6
- 230000001502 supplementing effect Effects 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000003862 health status Effects 0.000 claims description 2
- 230000009471 action Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 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]
- G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
Abstract
本发明公开了一种电池组健康状况预警的方法、系统及装置，涉及电池安全领域，包括获取历史电池组数据；根据历史电池组数据对模型进行训练，并得到模型输出的目标时间的预测电池组数据；根据目标时间的历史电池组数据与预测数据调整模型中的参数，直至历史电池组数据与预测电池组数据的误差小于预设误差；通过历史电池组数据对模型进行训练后，使得模型与实际的历史电池组数据误差小于预设误差，此时认定模型输出的数据是可靠的，进而根据模型输出的当前时间之后的未来时间段内的电池组数据是否超过阈值确定电池组是否出现故障。避免由于确定了实际的电池组数据再去确定电池组是否出现故障的滞后性。
Description
技术领域
本发明涉及电池安全领域，特别是涉及一种电池组健康状况预警的方法、系统及装置。
背景技术
传统BMS（Battery Management System，电池管理系统）主要基于传感器采集的数据，实时检测电池温度、电流、电压等数据，基于数据做出逻辑控制和报警等动作，但是对于潜在的电池故障、寿命老化等风险不能做到提前告警。对于电池故障，若单个电池出现故障后影响与单个电池相邻的电池，进而造成更大的故障范围，所以对电池故障的提前告警对于电池安全是十分重要的。
发明内容
本发明的目的是提供一种电池组健康状况预警的方法、系统及装置，可以避免由于确定了实际的电池组数据再去确定电池组是否出现故障的滞后性。
为解决上述技术问题，本发明提供了一种电池组健康状况预警的方法，包括：
获取历史电池组数据，所述历史电池组数据包括各个电池中的各个电芯的电芯电压、电芯电流及电芯温度中的一种或多种的组合；
根据所述历史电池组数据对模型进行训练，并得到所述模型输出的目标时间的预测电池组数据；
根据所述目标时间的历史电池组数据与所述预测电池组数据调整所述模型中的参数，直至所述历史电池组数据与所述预测电池组数据的误差小于预设误差；
使用所述模型对当前时间之后的未来时间段内的电池组数据进行预测，在所述模型输出的当前时间之后的未来时间段内的电池组数据超过阈值时，确定所述电池组出现故障。
另一方面，获取历史的电池组数据，包括：
获取电池管理系统发送的各个电池中的各个电芯的电芯电压、电芯电流及电芯温度中的一种或多种的组合，所述电芯电压与电芯的存储能力呈正相关，所述电芯温度与所述电芯的充放电效率呈负相关。
另一方面，获取历史电池组数据之后，还包括：
根据丢失数据关系式Pt=（Pt-1+Pt+1）/2对所述历史电池组数据中t时刻丢失的电池组数据进行补充，t为大于1的整数；
其中，Pt为t时刻的历史电池组数据，Pt-1为t-1时刻的历史电池组数据，Pt+1为t+1时刻的历史电池组数据。
另一方面，根据所述历史电池组数据对模型进行训练，并得到所述模型输出的目标时间的预测电池组数据，包括：
获取N个连续时刻的所述历史电池组数据，N为大于1的整数；
将N个连续时刻的所述历史电池组数据分为前a个连续时刻的训练组电池组数据和后b个连续时刻的校验组电池组数据，N=a+b；
根据前a个连续时刻的训练组电池组数据对模型进行训练；
得到所述模型输出的目标时间的预测电池组数据，所述目标时间属于后b个连续时刻。
另一方面，根据所述历史电池组数据对模型进行训练，并得到所述模型输出的目标时间的预测电池组数据之后，还包括：
确定目标时间的校验组电池组数据与所述预测电池组数据的均方根误差；
若所述均方根误差大于预设误差，则进入根据所述目标时间的历史电池组数据与所述预测电池组数据调整所述模型中的参数，直至所述历史电池组数据与所述预测电池组数据的误差小于预设误差的步骤；
若所述误差不大于所述预设误差，则进入使用所述模型对当前时间之后的未来时间段内的电池组数据进行预测的步骤。
另一方面，根据所述目标时间的历史电池组数据与所述预测电池组数据调整所述模型中的参数，包括：
通过二分类神经网络比较所述历史电池组数据与所述预测电池组数据，得到评价结果；
根据所述评价结果调整所述模型中的参数；
得到所述模型输出的新的预测电池组数据，并返回确定所述历史电池组数据与所述预测电池组数据的均方根误差的步骤。
另一方面，在所述模型输出的当前时间之后的未来时间段内的电池组数据超过阈值时，确定所述电池组出现故障之后，还包括：
计算所述模型输出的表征多个电芯的所述电池组数据的数据误差；
在所述数据误差超过误差阈值时，进行报警。
另一方面，所述电池组数据包括电芯电流；
计算所述模型输出的表征多个电芯的所述电池组数据的数据误差，包括：
根据数据误差关系式确定多个所述电池组数据的数据误差；
其中Ip为所述数据误差，It+1为t+1时刻的电芯电流，Ii为i时刻的电芯电流，n为所述电芯的数量；
在所述数据误差超过误差阈值时，进行报警，包括：
当k＜Ip≤2k时，进行第三预设等级的报警，k为t+1时刻的电芯电流；
当2k＜Ip≤3k时，进行第二预设等级的报警；
当3k＜Ip时，进行第一预设等级的报警。
为解决上述技术问题，本发明还提供了一种电池组健康状况预警的系统，包括：
获取单元，用于获取历史电池组数据，所述历史电池组数据包括各个电池中的各个电芯的电芯电压、电芯电流及电芯温度中的一种或多种的组合；
训练单元，用于根据所述历史电池组数据对模型进行训练，并得到所述模型输出的目标时间的预测电池组数据；
调整单元，用于根据所述目标时间的历史电池组数据与所述预测电池组数据调整所述模型中的参数，直至所述历史电池组数据与所述预测电池组数据的误差小于预设误差；
预测单元，用于使用所述模型对当前时间之后的未来时间段内的电池组数据进行预测，在所述模型输出的当前时间之后的未来时间段内的电池组数据超过阈值时，确定所述电池组出现故障。
为解决上述技术问题，本发明还提供了一种电池组健康状况预警的装置，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现上述电池组健康状况预警的方法的步骤。
本申请提供了一种电池组健康状况预警的方法、系统及装置，涉及电池安全领域，包括获取历史电池组数据；根据历史电池组数据对模型进行训练，并得到模型输出的目标时间的预测电池组数据；根据目标时间的历史电池组数据与预测电池组数据调整模型中的参数，直至历史电池组数据与预测电池组数据的误差小于预设误差；通过历史电池组数据对模型进行训练后，使得模型与实际的历史电池组数据误差小于预设误差，此时认定模型输出的数据是可靠的，进而根据模型输出的当前时间之后的未来时间段内的电池组数据对电池组是否出现故障进行预测，在模型输出的当前时间之后的未来时间段内的电池组数据超过阈值时，确定电池组出现故障。可以避免由于确定了实际的电池组数据再去确定电池组是否出现故障的滞后性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对现有技术和实施例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发明的一些实施例，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为本发明提供的一种电池组健康状况预警的方法的流程图；
图2为本发明提供的一种电池组健康状况预警的系统的结构示意图；
图3为本发明提供的一种电池组健康状况预警的装置的结构示意图。
具体实施方式
本发明的核心是提供一种电池组健康状况预警的方法、系统及装置，可以避免由于确定了实际的电池组数据再去确定电池组是否出现故障的滞后性。
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明提供的一种电池组健康状况预警的方法的流程图，该电池组健康状况预警的方法，包括：
传统BMS（Battery Management System，电池管理系统）主要基于传感器采集的数据，实时检测电池温度、电流、电压等数据，基于数据做出逻辑控制和报警等动作，但是对于潜在的电池故障、寿命老化等风险不能做到提前告警。对于电池故障，若单个电池出现故障后影响与单个电池相邻的电池，进而造成更大的故障范围，所以对电池故障的提前告警对于电池安全是十分重要的。
所以本申请需要对电池组的故障进行提前预警，在电池组中的电池出现故障之前就将电池可能出现故障的事件进行确定。可以理解的是，电池组中包括多个电池，每个电池中包括多个电芯。
S11：获取历史电池组数据，历史电池组数据包括各个电池中的各个电芯的电芯电压、电芯电流及电芯温度中的一种或多种的组合；
为了对模型进行训练，需要将电池组的历史电池组数据输入至模型中进而进行训练。输入的历史电池组数据需要包括可以表征电池组状态的电池组数据，电芯电压指电芯充满电后输出的电压的大小，电芯电流指电芯充满电后输出的电流的大小，电芯温度为电芯自身的温度，上述三种数据可以表征电芯的工作状态。
S12：根据历史电池组数据对模型进行训练，并得到模型输出的目标时间的预测电池组数据；
S13：根据目标时间的历史电池组数据与预测电池组数据调整模型中的参数，直至历史电池组数据与预测电池组数据的误差小于预设误差；
在通过历史电池组数据对模型进行训练后，模式可以输出目标时间的预测电池组数据，目标时间的实际电池组数据应是已知的。通过模型输出的预测电池组数据和目标时间实际的历史电池组数据进行对比，就可以确定模型预测的电池组数据与实际的电池组数据之间的差距。
可以理解的是，可以根据误差进行调整模型内部的参数，最终的目的是模型输出的预测电池组数据与历史电池组数据的误差小于预设误差，此时的模型输出的数据时可信的。
模型为SeqGAN：序列对抗网络。
S14：使用模型对当前时间之后的未来时间段内的电池组数据进行预测，在模型输出的当前时间之后的未来时间段内的电池组数据超过阈值时，确定电池组出现故障。
调整后的模型就可以被应用到实际中，对当前时间之后的未来时间段内的电池组数据进行预测，如果电池组数据超过阈值，那么证明当前时间之后的未来时间段内电池组可能即将出现故障，如果不及时处理，电池组的故障将会发生，即实现了对电池故障的预警。
本申请提供了一种电池组健康状况预警的方法，涉及电池安全领域，包括获取历史电池组数据；根据历史电池组数据对模型进行训练，并得到模型输出的目标时间的预测电池组数据；根据目标时间的历史电池组数据与预测电池组数据调整模型中的参数，直至历史电池组数据与预测电池组数据的误差小于预设误差；通过历史电池组数据对模型进行训练后，使得模型与实际的历史电池组数据误差小于预设误差，此时认定模型输出的数据是可靠的，进而根据模型输出的当前时间之后的未来时间段内的电池组数据对电池组是否出现故障进行预测，在模型输出的当前时间之后的未来时间段内的电池组数据超过阈值时，确定电池组出现故障。可以避免由于确定了实际的电池组数据再去确定电池组是否出现故障的滞后性。
在上述实施例的基础上：
在一些实施例中，获取历史的电池组数据，包括：
获取电池管理系统发送的各个电池中的各个电芯的电芯电压、电芯电流及电芯温度中的一种或多种的组合，电芯电压与电芯的存储能力呈正相关，电芯温度与电芯的充放电效率呈负相关。
电池管理系统系统往往会采集电芯编号、电芯电压、电芯电流、电芯温度、电芯容量及电芯内阻等数据，电芯容量是评价电芯健康状况的重要参数，它表示电芯可以存储的最大电量。电芯的内阻是指电芯内部电阻的大小，它会影响电芯的充放电效率。一般来说，内阻越小的电芯，充放电效率越高，这两项数据会序列存储，作为电芯个体的历史特征数据，在对电芯健康程度做考量时参考。电芯的电压指电芯在充满电后所输出的电压大小。一般来说，电压越高，电芯的存储能力越强。电芯温度一般越高，电芯的充放电效率越低。在模型训练预测时，主要预测实时电芯的电压、电流和温度。
在一些实施例中，获取历史电池组数据之后，还包括：
根据丢失数据关系式Pt=（Pt-1+Pt+1）/2对历史电池组数据中t时刻丢失的电池组数据进行补充，t为大于1的整数；
其中，Pt为t时刻的历史电池组数据，Pt-1为t-1时刻的历史电池组数据，Pt+1为t+1时刻的历史电池组数据。
考虑到因为网络原因或传感器原因，有些时刻的数据为空，那么这些数据需要进行数据补全。考虑到本系统后续模型采用时序预测的方式，时序预测法需要历史统计数据的时间序列，对未来的变化趋势进行预测分析，时间序列的每个数据点都需要考虑其中，在处理这种丢失数据时，使用前后平均值法来填补。即t时刻的数据采用t-1时刻与t+1时刻的平均值作为替代。
还需要说明的是，补充数据的方式包括但不限于上述方法，本申请在此处不做过多限定。
在一些实施例中，根据历史电池组数据对模型进行训练，并得到模型输出的目标时间的预测电池组数据，包括：
获取N个连续时刻的历史电池组数据，N为大于1的整数；
将N个连续时刻的历史电池组数据分为前a个连续时刻的训练组电池组数据和后b个连续时刻的校验组电池组数据，N=a+b；
根据前a个连续时刻的训练组电池组数据对模型进行训练；
得到模型输出的目标时间的预测电池组数据，目标时间属于后b个连续时刻。
若传感器每1秒返回一次数据，那么一分钟内电池管理系统会获取到60个历史电池组数据，此时N=60。将前30个连续时刻的电池组数据作为训练模型的数据，训练完成后，模型会输出预测电池组数据，那么预测电池组数据的时间属于后30个连续时刻，即可以通过后30个连续时刻的电池组数据验证预测电池组数据是否准确，进而进行进一步的调整。
在一些实施例中，根据历史电池组数据对模型进行训练，并得到模型输出的目标时间的预测电池组数据之后，还包括：
确定目标时间的校验组电池组数据与预测电池组数据的均方根误差；
若均方根误差大于预设误差，则进入根据目标时间的历史电池组数据与预测电池组数据调整模型中的参数，直至历史电池组数据与预测电池组数据的误差小于预设误差的步骤；
若误差不大于预设误差，则进入使用模型对当前时间之后的未来时间段内的电池组数据进行预测的步骤。
为了使预测电池组数据接近于校验组电池组数据，所以计算二者的均方根误差，预先设置了预设误差，若均方根误差不大于预设误差，证明当前时间之后的未来时间段内模型输出的数据是可靠的，可以投入到实际使用中。如果均方根误差大于预设误差，证明当前时间之后的未来时间段内模型输出的数据与校验组电池组数据的差距过大，还需要继续调整。
在一些实施例中，根据目标时间的历史电池组数据与预测电池组数据调整模型中的参数，包括：
通过二分类神经网络比较历史电池组数据与预测电池组数据，得到评价结果；
根据评价结果调整模型中的参数；
得到模型输出的新的预测电池组数据，并返回确定历史电池组数据与预测电池组数据的均方根误差的步骤。
通过二分类神经网络比较器，将模型输出的预测电池组数据作为负样本，历史电池组数据作为正样本，进而比较，输出一个比较评价，进而根据评价去调整模型，调整后的模型继续输出新的预测电池组数据，再去与新的预测电池组数据对应的历史电池组数据对比，计算误差，重复上述步骤，直至均方根误差小于预设误差。
在一些实施例中，在模型输出的当前时间之后的未来时间段内的电池组数据超过阈值时，确定电池组出现故障之后，还包括：
计算模型输出的表征多个电芯的电池组数据的数据误差；
在数据误差超过误差阈值时，进行报警。
在计算电池组数据的整体是否超过阈值之外，还需要确定电池中的多个电芯之间的数据是否出现偏差。在使用模型预测到电池组即将出现故障之后，配合多电芯横向对比，与群体电芯的数据误差超过设定的误差阈值时，再通过确定电池中的各个电芯的电池组数据的数据误差去确定，即将发生故障的电芯。
在一些实施例中，电池组数据包括电芯电流；
计算模型输出的表征多个电芯的电池组数据的数据误差，包括：
根据数据误差关系式确定多个电池组数据的数据误差；
其中Ip为数据误差，It+1为t+1时刻的电芯电流，Ii为i时刻的电芯电流，n为电芯的数量；
在数据误差超过误差阈值时，进行报警，包括：
当k＜Ip≤2k，进行第三预设等级的报警，k为t+1时刻的电芯电流；
当2k＜Ip≤3k，进行第二预设等级的报警；
当3k＜Ip，进行第一预设等级的报警。
以电芯电流为例，若未来的t+1时刻的电芯电流为k，使用平均绝对误差计算各个时刻的电芯电流与t+1时刻的电芯电流的差的和的平均值。
此外，根据t+1时刻的电芯电流k设定了三个标准，k＜Ip≤2k证明此时电流充放电偏大，2k＜Ip≤3k证明此时电流充放电较大，3k＜Ip证明此时电流充放电极大，进而进行三个预设等级的报警，可以理解的是第一预设等级为最高等级，第三预设等级为最低等级。根据三个阈值范围进行报警。
图2为本发明提供的一种电池组健康状况预警的系统的结构示意图，该电池组健康状况预警的系统包括：
获取单元21，用于获取历史电池组数据，历史电池组数据包括各个电池中的各个电芯的电芯电压、电芯电流及电芯温度中的一种或多种的组合；
训练单元22，用于根据历史电池组数据对模型进行训练，并得到模型输出的目标时间的预测电池组数据；
调整单元23，用于根据目标时间的历史电池组数据与预测电池组数据调整模型中的参数，直至历史电池组数据与预测电池组数据的误差小于预设误差；
预测单元24，用于使用模型对当前时间之后的未来时间段内的电池组数据进行预测，在模型输出的当前时间之后的未来时间段内的电池组数据超过阈值时，确定电池组出现故障。
获取单元21，具体用于获取电池管理系统发送的各个电池中的各个电芯的电芯电压、电芯电流及电芯温度中的一种或多种的组合，电芯电压与电芯的存储能力呈正相关，电芯温度与电芯的充放电效率呈负相关。
还包括：
补充单元，用于根据丢失数据关系式Pt=（Pt-1+Pt+1）/2对历史电池组数据中t时刻丢失的电池组数据进行补充，t为大于1的整数；
其中，Pt为t时刻的历史电池组数据，Pt-1为t-1时刻的历史电池组数据，Pt+1为t+1时刻的历史电池组数据。
获取单元21，具体用于获取N个连续时刻的历史电池组数据，N为大于1的整数；
划分单元，用于将N个连续时刻的历史电池组数据分为前a个连续时刻的训练组电池组数据和后b个连续时刻的校验组电池组数据，N=a+b；
训练单元22，具体用于根据前a个连续时刻的训练组电池组数据对模型进行训练；
预测电池组数据确定单元，用于得到模型输出的目标时间的预测电池组数据，目标时间属于后b个连续时刻。
均方根误差确定单元，用于确定目标时间的校验组电池组数据与预测电池组数据的均方根误差；
若均方根误差大于预设误差，则触发调整单元23；
若误差不大于预设误差，则触发预测单元24。
调整单元23，具体用于通过二分类神经网络比较历史电池组数据与预测电池组数据，得到评价结果；
根据评价结果调整模型中的参数；
得到模型输出的新的预测电池组数据，并触发均方根误差确定单元。
还包括：
数据误差确定单元，用于计算模型输出的表征多个电芯的电池组数据的数据误差；
报警单元，用于在数据误差超过误差阈值时，进行报警。
另一方面，电池组数据包括电芯电流；
数据误差确定单元，具体用于根据数据误差关系式确定多个电池组数据的数据误差；
其中Ip为数据误差，It+1为t+1时刻的电芯电流，Ii为i时刻的电芯电流，n为电芯的数量；
第一报警单元，用于当k＜Ip≤2k，进行第三预设等级的报警，k为t+1时刻的电芯电流；
第二报警单元，用于当2k＜Ip≤3k，进行第二预设等级的报警；
第三报警单元，用于当3k＜Ip，进行第一预设等级的报警。
图3为本发明提供的一种电池组健康状况预警的装置的结构示意图，该电池组健康状况预警的装置包括：
存储器31，用于存储计算机程序；
处理器32，用于执行计算机程序时实现上述电池组健康状况预警的方法的步骤。
本申请提供的电池组健康状况预警的装置的介绍请参照上述实施例，在此处不再赘述。
还需要说明的是，在本说明书中，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。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业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发明的精神或范围的情况下，在其他实施例中实现。因此，本发明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公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种电池组健康状况预警的方法，其特征在于，包括：
获取历史电池组数据，所述历史电池组数据包括各个电池中的各个电芯的电芯电压、电芯电流及电芯温度中的一种或多种的组合；
根据所述历史电池组数据对模型进行训练，并得到所述模型输出的目标时间的预测电池组数据；
根据所述目标时间的历史电池组数据与所述预测电池组数据调整所述模型中的参数，直至所述历史电池组数据与所述预测电池组数据的误差小于预设误差；
使用所述模型对当前时间之后的未来时间段内的电池组数据进行预测，在所述模型输出的所述当前时间之后的未来时间段内的电池组数据超过阈值时，确定所述电池组出现故障；
在所述模型输出的当前时间之后的未来时间段内的电池组数据超过阈值时，确定所述电池组出现故障之后，还包括：
计算所述模型输出的表征多个电芯的所述电池组数据的数据误差；
在所述数据误差超过误差阈值时，进行报警；
所述电池组数据包括电芯电流；
计算所述模型输出的表征多个电芯的所述电池组数据的数据误差，包括：
根据数据误差关系式确定多个所述电池组数据的数据误差；
其中Ip为所述数据误差，表征第i时刻的电芯电流与第t+1时刻的电芯电流的差的平均值，It+1为t+1时刻的电芯电流，Ii为i时刻的电芯电流，It+1-Ii为t+1时刻的电芯电流与i时刻的电芯电流的差，n为所述电芯的数量；
在所述数据误差超过误差阈值时，进行报警，包括：
当k＜Ip≤2k时，进行第三预设等级的报警，k为t+1时刻的电芯电流；
当2k＜Ip≤3k时，进行第二预设等级的报警；
当3k＜Ip时，进行第一预设等级的报警。
2.如权利要求1所述的电池组健康状况预警的方法，其特征在于，获取历史的电池组数据，包括：
获取电池管理系统发送的各个电池中的各个电芯的电芯电压、电芯电流及电芯温度中的一种或多种的组合，所述电芯电压与电芯的存储能力呈正相关，所述电芯温度与所述电芯的充放电效率呈负相关。
3.如权利要求1所述的电池组健康状况预警的方法，其特征在于，获取历史电池组数据之后，还包括：
根据丢失数据关系式Pt=（Pt-1+Pt+1）/2对所述历史电池组数据中t时刻丢失的电池组数据进行补充，t为大于1的整数；
其中，Pt为t时刻的历史电池组数据，Pt-1为t-1时刻的历史电池组数据，Pt+1为t+1时刻的历史电池组数据。
4.如权利要求1所述的电池组健康状况预警的方法，其特征在于，根据所述历史电池组数据对模型进行训练，并得到所述模型输出的目标时间的预测电池组数据，包括：
获取N个连续时刻的所述历史电池组数据，N为大于1的整数；
将N个连续时刻的所述历史电池组数据分为前a个连续时刻的训练组电池组数据和后b个连续时刻的校验组电池组数据，N=a+b，a与b均为正整数；
根据前a个连续时刻的训练组电池组数据对模型进行训练；
得到所述模型输出的目标时间的预测电池组数据，所述目标时间属于后b个连续时刻。
5.如权利要求4所述的电池组健康状况预警的方法，其特征在于，根据所述历史电池组数据对模型进行训练，并得到所述模型输出的目标时间的预测电池组数据之后，还包括：
确定目标时间的校验组电池组数据与所述预测电池组数据的均方根误差；
若所述均方根误差大于预设误差，则进入根据所述目标时间的历史电池组数据与所述预测数据调整所述模型中的参数，直至所述历史电池组数据与所述预测电池组数据的误差小于预设误差的步骤；
若所述误差不大于所述预设误差，则进入使用所述模型对所述当前时间之后的未来时间段内的电池组数据进行预测的步骤。
6.如权利要求5所述的电池组健康状况预警的方法，其特征在于，根据所述目标时间的历史电池组数据与所述预测电池组数据调整所述模型中的参数，包括：
通过二分类神经网络比较所述历史电池组数据与所述预测电池组数据，得到评价结果；
根据所述评价结果调整所述模型中的参数；
得到所述模型输出的新的预测电池组数据，并返回确定所述历史电池组数据与所述预测电池组数据的均方根误差的步骤。
7.一种电池组健康状况预警的系统，其特征在于，包括：
获取单元，用于获取历史电池组数据，所述历史电池组数据包括各个电池中的各个电芯的电芯电压、电芯电流及电芯温度中的一种或多种的组合；
训练单元，用于根据所述历史电池组数据对模型进行训练，并得到所述模型输出的目标时间的预测电池组数据；
调整单元，用于根据所述目标时间的历史电池组数据与所述预测电池组数据调整所述模型中的参数，直至所述历史电池组数据与所述预测电池组数据的误差小于预设误差；
预测单元，用于使用所述模型对当前时间之后的未来时间段内的电池组数据进行预测，在所述模型输出的所述当前时间之后的未来时间段内的电池组数据超过阈值时，确定所述电池组出现故障；
数据误差确定单元，用于计算模型输出的表征多个电芯的电池组数据的数据误差；
报警单元，用于在数据误差超过误差阈值时，进行报警；
所述电池组数据包括电芯电流；
数据误差确定单元，具体用于根据数据误差关系式确定多个电池组数据的数据误差；
其中Ip为所述数据误差，表征第i时刻的电芯电流与第t+1时刻的电芯电流的差的平均值，It+1为t+1时刻的电芯电流，Ii为i时刻的电芯电流，It+1-Ii为t+1时刻的电芯电流与i时刻的电芯电流的差，n为所述电芯的数量；
第一报警单元，用于当k＜Ip≤2k，进行第三预设等级的报警，k为t+1时刻的电芯电流；
第二报警单元，用于当2k＜Ip≤3k，进行第二预设等级的报警；
第三报警单元，用于当3k＜Ip，进行第一预设等级的报警。
8.一种电池组健康状况预警的装置，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至6任一项所述电池组健康状况预警的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311015864.6A CN116736142B (zh) | 2023-08-14 | 2023-08-14 | 一种电池组健康状况预警的方法、系统及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311015864.6A CN116736142B (zh) | 2023-08-14 | 2023-08-14 | 一种电池组健康状况预警的方法、系统及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116736142A CN116736142A (zh) | 2023-09-12 |
| CN116736142B true CN116736142B (zh) | 2023-10-24 |
Family
ID=87917271
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311015864.6A Active CN116736142B (zh) | 2023-08-14 | 2023-08-14 | 一种电池组健康状况预警的方法、系统及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116736142B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116811664B (zh) * | 2023-08-30 | 2023-11-07 | 新誉集团有限公司 | 电动矿车的行驶控制方法及装置 |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106501726A (zh) * | 2016-11-18 | 2017-03-15 | 新誉集团有限公司 | 电池荷电状态的估算方法、电池管理系统及soc估算方法 |
| CN110609233A (zh) * | 2019-10-25 | 2019-12-24 | 沃特威（广州）电子科技有限公司 | 一种基于大数据进行储能电池soh预测的方法 |
| CN111722114A (zh) * | 2019-03-18 | 2020-09-29 | 上海汽车集团股份有限公司 | 一种动力电池寿命预测方法及系统 |
| CN111812518A (zh) * | 2019-12-25 | 2020-10-23 | 北京嘀嘀无限科技发展有限公司 | 电池状态监控方法、存储介质和系统 |
| CN112731159A (zh) * | 2020-12-23 | 2021-04-30 | 江苏省电力试验研究院有限公司 | 一种储能电站电池舱电池故障预判及定位的方法 |
| CN113866642A (zh) * | 2021-09-22 | 2021-12-31 | 中国华能集团清洁能源技术研究院有限公司 | 一种基于梯度提升树的锂离子电池故障诊断方法 |
| CN113866659A (zh) * | 2021-09-26 | 2021-12-31 | 中国华能集团清洁能源技术研究院有限公司 | 一种基于机器学习和安时积分法的锂电池soh预测方法 |
| CN113933732A (zh) * | 2021-10-13 | 2022-01-14 | 中国汽车工程研究院股份有限公司 | 新能源汽车动力电池健康状态分析方法、系统及存储介质 |
| CN114509685A (zh) * | 2022-02-21 | 2022-05-17 | 重庆工商大学 | 一种构建锂离子电池热失控预测模型的方法及预测系统 |
| CN114970376A (zh) * | 2022-07-29 | 2022-08-30 | 中国长江三峡集团有限公司 | 锂电池的健康度和剩余寿命预测模型的构建方法及装置 |
| CN115201692A (zh) * | 2022-08-05 | 2022-10-18 | 安徽铎坤新能源科技有限公司 | 一种锂电池剩余寿命分析预测方法 |
| CN115291116A (zh) * | 2022-10-10 | 2022-11-04 | 深圳先进技术研究院 | 储能电池健康状态预测方法、装置及智能终端 |
| CN115356647A (zh) * | 2022-08-29 | 2022-11-18 | 湖北工程学院 | 一种锂离子电池寿命早期预测方法 |
| CN115980594A (zh) * | 2022-12-01 | 2023-04-18 | 阳光电源（上海）有限公司 | 电池异常检测方法、装置、系统与计算机可读存储介质 |
| CN116125279A (zh) * | 2022-11-16 | 2023-05-16 | 广东电网有限责任公司 | 一种电池健康状态的确定方法、装置、设备及存储介质 |
| CN116299006A (zh) * | 2023-01-18 | 2023-06-23 | 清华大学 | 电池包的健康状况预测方法、装置、设备和存储介质 |
| WO2023130776A1 (zh) * | 2022-01-07 | 2023-07-13 | 国网浙江省电力有限公司电力科学研究院 | 储能电站电池工况健康状态预测方法及系统 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8719195B2 (en) * | 2011-10-10 | 2014-05-06 | The Boeing Company | Battery adaptive learning management system |
| JP7269999B2 (ja) * | 2021-07-26 | 2023-05-09 | 本田技研工業株式会社 | 電池モデル構築方法及び電池劣化予測装置 |
| JP7299274B2 (ja) * | 2021-07-27 | 2023-06-27 | 本田技研工業株式会社 | 電池モデル構築方法及び電池劣化予測装置 |
-
2023
- 2023-08-14 CN CN202311015864.6A patent/CN116736142B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106501726A (zh) * | 2016-11-18 | 2017-03-15 | 新誉集团有限公司 | 电池荷电状态的估算方法、电池管理系统及soc估算方法 |
| CN111722114A (zh) * | 2019-03-18 | 2020-09-29 | 上海汽车集团股份有限公司 | 一种动力电池寿命预测方法及系统 |
| CN110609233A (zh) * | 2019-10-25 | 2019-12-24 | 沃特威（广州）电子科技有限公司 | 一种基于大数据进行储能电池soh预测的方法 |
| CN111812518A (zh) * | 2019-12-25 | 2020-10-23 | 北京嘀嘀无限科技发展有限公司 | 电池状态监控方法、存储介质和系统 |
| CN112731159A (zh) * | 2020-12-23 | 2021-04-30 | 江苏省电力试验研究院有限公司 | 一种储能电站电池舱电池故障预判及定位的方法 |
| CN113866642A (zh) * | 2021-09-22 | 2021-12-31 | 中国华能集团清洁能源技术研究院有限公司 | 一种基于梯度提升树的锂离子电池故障诊断方法 |
| CN113866659A (zh) * | 2021-09-26 | 2021-12-31 | 中国华能集团清洁能源技术研究院有限公司 | 一种基于机器学习和安时积分法的锂电池soh预测方法 |
| CN113933732A (zh) * | 2021-10-13 | 2022-01-14 | 中国汽车工程研究院股份有限公司 | 新能源汽车动力电池健康状态分析方法、系统及存储介质 |
| WO2023130776A1 (zh) * | 2022-01-07 | 2023-07-13 | 国网浙江省电力有限公司电力科学研究院 | 储能电站电池工况健康状态预测方法及系统 |
| CN114509685A (zh) * | 2022-02-21 | 2022-05-17 | 重庆工商大学 | 一种构建锂离子电池热失控预测模型的方法及预测系统 |
| CN114970376A (zh) * | 2022-07-29 | 2022-08-30 | 中国长江三峡集团有限公司 | 锂电池的健康度和剩余寿命预测模型的构建方法及装置 |
| CN115201692A (zh) * | 2022-08-05 | 2022-10-18 | 安徽铎坤新能源科技有限公司 | 一种锂电池剩余寿命分析预测方法 |
| CN115356647A (zh) * | 2022-08-29 | 2022-11-18 | 湖北工程学院 | 一种锂离子电池寿命早期预测方法 |
| CN115291116A (zh) * | 2022-10-10 | 2022-11-04 | 深圳先进技术研究院 | 储能电池健康状态预测方法、装置及智能终端 |
| CN116125279A (zh) * | 2022-11-16 | 2023-05-16 | 广东电网有限责任公司 | 一种电池健康状态的确定方法、装置、设备及存储介质 |
| CN115980594A (zh) * | 2022-12-01 | 2023-04-18 | 阳光电源（上海）有限公司 | 电池异常检测方法、装置、系统与计算机可读存储介质 |
| CN116299006A (zh) * | 2023-01-18 | 2023-06-23 | 清华大学 | 电池包的健康状况预测方法、装置、设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116736142A (zh) | 2023-09-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110703109B (zh) | 一种基于修正样本熵的电池串多故障诊断方法及系统 | |
| CN111007401A (zh) | 一种基于人工智能的电动汽车电池故障诊断方法及设备 | |
| CN116736142B (zh) | 一种电池组健康状况预警的方法、系统及装置 | |
| WO2023274318A1 (zh) | 电池突发型内短路诊断方法、装置、存储介质及电子设备 | |
| CN113052464B (zh) | 电池储能系统可靠性评估方法及系统 | |
| CN108205114B (zh) | 电池寿命的预测方法及系统 | |
| CN110988723B (zh) | 一种基于lstm的电池内阻预测及故障预警方法 | |
| CN112327167A (zh) | 一种电池容量跳水风险评估方法及系统 | |
| CN109406929B (zh) | 变电站蓄电池组内部开路在线监测报警装置 | |
| CN114559819A (zh) | 一种基于信号处理的电动汽车电池安全预警方法 | |
| US20220276319A1 (en) | Apparatus and method for diagnosing battery | |
| CN114839541A (zh) | 基于k均值聚类的动力电池组不一致性诊断方法及系统 | |
| CN113866641A (zh) | 一种锂离子电池的故障检测方法及装置 | |
| CN112881916A (zh) | 一种锂电池健康状态和剩余可用寿命的预测方法及系统 | |
| CN111641236A (zh) | 基于大数据ai的动态阈值动力电池充电电压状态判断方法 | |
| CN105117615B (zh) | 基于累积和控制图的卫星电源系统异常检测方法 | |
| CN116893366A (zh) | 用于运行系统以识别设备的电蓄能器的异常的方法和装置 | |
| CN116923188A (zh) | 一种新能源车的充电保护系统 | |
| Diao et al. | Research on Electric Vehicle Charging Safety Warning based on A-LSTM Algorithm | |
| CN116819328A (zh) | 一种电动汽车动力电池故障诊断方法、系统、设备及介质 | |
| EP3862765B1 (en) | Battery degradation evaluation system, battery degradation evaluation method, and battery degradation evaluation program | |
| WO2023052910A1 (en) | System and method for estimating state of health and remaining useful life of a battery | |
| CN115219932A (zh) | 用于评价设备电池组的相对老化状态的方法和装置 | |
| CN112330176A (zh) | 一种锂电池铜排松动故障诊断及预测方法 | |
| CN113296011B (zh) | 一种电路传导信号主动探测分析系统 |
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 |