CN116736166A - 电池包的电芯异常检测方法、装置及电池包 - Google Patents
电池包的电芯异常检测方法、装置及电池包 Download PDFInfo
- Publication number
- CN116736166A CN116736166A CN202310695271.2A CN202310695271A CN116736166A CN 116736166 A CN116736166 A CN 116736166A CN 202310695271 A CN202310695271 A CN 202310695271A CN 116736166 A CN116736166 A CN 116736166A
- Authority
- CN
- China
- Prior art keywords
- battery pack
- cell
- abnormal
- battery
- outlier
- 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 79
- 238000001514 detection method Methods 0.000 title claims abstract description 60
- 230000002159 abnormal effect Effects 0.000 claims abstract description 153
- 238000012545 processing Methods 0.000 claims abstract description 28
- 230000008859 change Effects 0.000 claims description 43
- 238000000034 method Methods 0.000 claims description 35
- 239000011159 matrix material Substances 0.000 claims description 30
- 239000000178 monomer Substances 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 7
- 238000006116 polymerization reaction Methods 0.000 claims description 6
- 210000004027 cell Anatomy 0.000 description 279
- 238000010586 diagram Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000007599 discharging Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000003064 k means clustering Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 125000003275 alpha amino acid group Chemical group 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 210000003850 cellular structure Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 230000028161 membrane depolarization Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000003252 repetitive effect Effects 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]
- G01R31/392—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]
- G01R31/367—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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Secondary Cells (AREA)
Abstract
本申请提供了一种电池包的电芯异常检测方法、装置及电池包。所述电池包包括多个单体电芯,所述电芯异常检测方法包括:获取每一所述单体电芯的电压数据以及温度数据;基于各所述单体电芯对应的电压数据以及温度数据,在所述多个单体电芯中确定出离群单体电芯;基于高斯分布模型对所述电池包的运行状态数据进行处理,得到所述电池包的异常系数;以及在所述异常系数大于所述电池包的当前工作模式对应的异常阈值时,确定所述离群单体电芯异常。本申请实施例提高了电芯异常检测的准确性。
Description
技术领域
本申请涉及新能源领域,具体涉及一种电池包的电芯异常检测方法、装置及电池包。
背景技术
在新能源领域中,常常将多个单体电芯组合为一个电池包,然后为电子设备提供电能。在电池包的使用过程中,检测出电池包中出现异常的单体电芯,对于电池包的安全使用有着重要意义。而相关技术所提供的电芯异常检测方法的鲁棒性和泛化性不强,从而导致检测准确性不理想。
发明内容
本申请的一个目的在于提出一种电池包的电芯异常检测方法、装置及电池包,以解决相关技术所提供的电芯异常检测方法的鲁棒性和泛化性不强,从而导致检测准确性不理想的技术问题。
根据本申请实施例的一方面,公开了一种电池包的电芯异常检测方法,所述电池包包括多个单体电芯,所述电芯异常检测方法包括:
获取每一所述单体电芯的电压数据以及温度数据;
基于各所述单体电芯对应的电压数据以及温度数据,在所述多个单体电芯中确定出离群单体电芯;
基于高斯分布模型对所述电池包的运行状态数据进行处理,得到所述电池包的异常系数;以及
在所述异常系数大于所述电池包的当前工作模式对应的异常阈值时,确定所述离群单体电芯异常。
根据本申请实施例的一方面,公开了一种电池包的电芯异常检测装置,所述电池包包括多个单体电芯,所述电芯异常检测装置包括:
单体数据获取模块,配置为获取每一所述单体电芯的电压数据以及温度数据;
离群电芯确定模块,配置为基于各所述单体电芯对应的电压数据以及温度数据,在所述多个单体电芯中确定出离群单体电芯;
异常系数获取模块,配置为基于高斯分布模型对所述电池包的运行状态数据进行处理,得到所述电池包的异常系数;以及
异常结果检测模块,配置为在所述异常系数大于所述电池包的当前工作模式对应的异常阈值时,确定所述离群单体电芯异常。
在本申请的一示例性实施例中,所述离群电芯确定模块配置为:
基于各所述单体电芯对应的电压数据,得到各所述单体电芯的电压变化率;
基于各所述单体电芯对应的温度数据,得到各所述单体电芯的温度变化率;
对所述电压变化率以及所述温度变化率进行聚类处理,并根据处理后的结果在所述多个单体电芯中确定出离群单体电芯。
在本申请的一示例性实施例中,所述离群电芯确定模块配置为:
对所述电压变化率进行聚类处理,得到第一聚类结果;
根据所述第一聚类结果,在所述多个单体电芯中确定出第一单体电芯;
对所述温度变化率进行聚类处理,得到第二聚类结果;
根据所述第二聚类结果,在所述多个单体电芯中确定出第二单体电芯;
根据所述第一单体电芯与所述第二单体电芯,确定出离群单体电芯。
在本申请的一示例性实施例中,所述异常系数获取模块配置为:
基于所述运行状态数据中的电池包温度、电池包电压、电池包电流、电池包功率,建立所述电池包的运行状态矩阵;
基于所述高斯分布模型,对所述运行状态矩阵的均值、标准差以及方差进行处理,得到所述异常系数。
在本申请的一示例性实施例中,所述电芯异常检测装置配置为:
基于所述运行状态数据中的电池包电流以及电池包功率,确定所述电池包的当前工作模式。
在本申请的一示例性实施例中,所述电芯异常检测装置配置为:
基于所述高斯分布模型对每一工作模式下的正常电池包的历史运行状态数据进行处理,得到每一工作模式下的正常电池包的历史异常系数;
基于所述高斯分布模型对所述每一工作模式下的异常电池包的历史运行状态数据进行处理,得到每一工作模式下的异常电池包的历史异常系数;
基于所述每一工作模式下的正常电池包的历史异常系数、所述每一工作模式下的异常电池包的历史异常系数,获取所述每一工作模式对应的异常阈值。
在本申请的一示例性实施例中,在确定所述离群单体电芯异常之后,所述电芯异常检测装置还配置为:
获取所述离群单体电芯在目标时间段内每一时刻的电压,并计算所述电压的均值、标准差;
获取所述电压与所述均值之间的差值;
获取第一标准差,所述第一标准差为所述标准差的三倍;
将所述差值与所述第一标准差进行对比,根据对比结果检测所述离群单体电芯在所述目标时间段内每一时刻的异常原因是否为系统故障。
在本申请的一示例性实施例中,所述电芯异常检测装置配置为:
基于针对系统故障的检测结果,获取所述每一单体电芯在所述目标时间段内的故障频率;
基于所述故障频率,对所述电池包进行安全控制。
根据本申请实施例的一方面,公开了一种电池包,包括:多个单体电芯;一个或多个处理器;存储器,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述电池包实现以上任一项实施例所述的电芯异常检测方法。
根据本申请实施例的一方面,公开了一种计算机程序介质,其上存储有计算机可读指令,当所述计算机可读指令被计算机的处理器执行时,使计算机执行以上任一项实施例所述的电芯异常检测方法。
根据本申请实施例的一个方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述各种可选实现方式中提供的电芯异常检测方法。
本申请实施例中,获取每一所述单体电芯的电压数据以及温度数据;基于各所述单体电芯对应的电压数据以及温度数据,在所述多个单体电芯中确定出离群单体电芯;基于高斯分布模型对所述电池包的运行状态数据进行处理,得到所述电池包的异常系数;以及在所述异常系数大于所述电池包的当前工作模式对应的异常阈值时,确定所述离群单体电芯异常。由于离群单体电芯是通过对电池包中多个单体电芯之间的相对分布关系进行划分而确定出的。而在同一电池包中,由于每一单体电芯的数据采集误差基本是一致的,因此,即使由于电池包处于复杂工况或者处于极端工作环境而导致数据采集误差较大,也不会对确定多个单体电芯之间的相对分布关系的准确性造成干扰,进而也不会对确定离群单体电芯的准确性造成干扰,从而避免了在数据采集误差较大场景下电芯异常检测结果准确性的降低。由此,本申请实施例以强鲁棒性和强泛化性完成电芯异常检测,从而提高了电芯异常检测的准确性。
本申请的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本申请的实践而习得。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本申请。
附图说明
通过参考附图详细描述其示例实施例,本申请的上述和其它目标、特征及优点将变得更加显而易见。
图1示出了本申请一个实施例的单体电芯与电池包可能出现的异常的示意图。
图2示出了本申请一个实施例的电池包的电芯异常检测方法的流程图。
图3示出了本申请一个实施例的电池包的电芯异常检测的详细流程图。
图4示出了本申请一个实施例的电池包的电芯异常检测装置的框图。
图5示出了本申请一个实施例的电池包的硬件图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些示例实施方式使得本申请的描述将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。附图仅为本申请的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多示例实施方式中。在下面的描述中,提供许多具体细节从而给出对本申请的示例实施方式的充分理解。然而,本领域技术人员将意识到,可以实践本申请的技术方案而省略所述特定细节中的一个或更多,或者可以采用其它的方法、组元、步骤等。在其它情况下,不详细示出或描述公知结构、方法、实现或者操作以避免喧宾夺主而使得本申请的各方面变得模糊。
附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
在电池包的使用过程中,出于电芯老化、工作环境极端等原因,电池包中的部分单体电芯可能会出现异常,进而导致电池包整体运行异常。图1示出了在一实施例中的单体电芯与电池包可能出现的异常的示意图。参见图1,在一实施例中,在电池包的使用过程中,单体电芯的电压的正常范围为[2.5,3.65];当单体电芯的电压小于2.5V时,便出现低压这一异常情况;当单体电芯的电压大于3.65V时,便出现过压这一异常情况。电池包电压的正常范围为[40,58];当电池包电压小于40V时,便出现低压这一异常情况;当电池包电压大于58V时,便出现过压这一异常情况。电池包功率的正常范围为[0,3000];当电池包功率大于3000w时,便出现功率过载这一异常情况。充电模式下的电池包电流的正常范围为(0,20],放电模式下的电池包电流的正常范围为[-30,0);当电池包电流等于0A,便出现电流开路这一异常情况;当电池包电流远大于20A时,便出现电流短路这一异常情况;当充电模式下的电池包电流大于20A时,便出现过充电这一异常情况;当放电模式下的电池包电流小于-30A时,便出现过放电这一异常情况。电池包温度的正常范围为[-40,60];当电池包温度小于-40℃或者大于60℃时,便出现温度异常这一异常情况。
异常的单体电芯的存在,对于电池包而言是一个安全隐患,轻则可能导致电池包的性能恶化,重则可能导致电池包出现电气故障,例如:起火、爆炸等。因此,为了保证电池包的使用安全,需要及时且准确地检测出电池包中的异常的单体电芯,从而可以进一步地对异常的单体电芯进行安全控制。
相关技术中,通常是简单地采用完全退极化后的静置电压压降速率来判断单体电芯是否异常,这一方式鲁棒性和泛化性不强,检测准确性不理想。出于克服相关技术存在的这一缺陷的考虑,本申请提供了一种电池包的电芯异常检测方法,提高了电芯异常检测的鲁棒性和泛化性,从而提高了电芯异常检测的准确性。
图2示出了本申请所提供的电池包的电芯异常检测方法的流程图。参见图2,该电芯异常检测方法包括步骤S110、步骤S120、步骤S130以及步骤S140。
步骤S110、获取每一单体电芯的电压数据以及温度数据。
本申请实施例中,针对需要检测其单体电芯是否异常的电池包,获取该电池包中每一单体电芯的电压数据以及温度数据。例如:每5分钟采集一次电池包中每一单体电芯的电压数据以及温度数据,然后将采集所得的数据持久化存储。当需要对电池包进行异常电芯检测时,提取出过去24小时采集所得的每一单体电芯的电压数据以及温度数据。
步骤S120、基于各单体电芯对应的电压数据以及温度数据,在多个单体电芯中确定出离群单体电芯。
基于各单体电芯的电压数据以及温度数据,在组成电池包的多个单体电芯中,确定出离群单体电芯。离群单体电芯,指的是运行状态较大程度地偏离由其他单体电芯所组成集群的电芯。例如:电池包中包含4个单体电芯,分别记为电芯1、电芯2、电芯3以及电芯4。在过去24小时内,电芯1、电芯2和电芯3,这3个单体电芯之间的电压差异与温度差异,始终维持在较低水平,因此可以将这3个单体电芯视为运行状态统一的一个集群。而电芯4与该集群中任一单体电芯之间的电压差异与温度差异,均始终处于较高水平。由此可见,电芯4的运行状态较大程度地偏离该集群。则这种情况下,电芯4即为组成电池包的多个单体电芯中的离群单体电芯。
需要说明的是,一般情况下,电池包中若存在异常的单体电芯,则该异常的单体电芯是属于少数派;电池包中的大部分单体电芯还是正常的。因此,一般情况下,电池包中若存在异常的单体电芯,则该异常的单体电芯会被检测为,偏离由正常的单体电芯所组成集群的离群单体电芯。
但是,进一步需要说明的是,异常的单体电芯属于离群单体电芯,并不代表,离群单体电芯均是异常的单体电芯。因此,在确定出离群单体电芯后,还要进一步确定离群单体电芯是否异常。
步骤S130、基于高斯分布模型对电池包的运行状态数据进行处理,得到电池包的异常系数。
考虑到若电池包中存在异常的单体电芯,则将电池包视为一个整体时,电池包的整体运行状态也会表现出一定程度的异常。并且,一般情况下,当数据量足够大时,电池包的运行状态数据应当符合高斯分布,即越靠近均值的密度大的数据,越能代表正常数据的分布。因此,预先构建高斯分布模型,进而基于高斯分布模型对电池包的运行状态数据进行处理,得到电池包的异常系数。其中,电池包的异常系数,主要用于描述电池包整体运行状态的异常程度。
步骤S140、在异常系数大于电池包的当前工作模式对应的异常阈值时,确定离群单体电芯异常。
由于在不同工作模式下,电池包的基础运行状态本来便存在一定差异,因此在不同工作模式下,用于区分电池包异常与否的标准有所区别。因此,根据电池包的当前工作模式,确定当前工作模式下用于区分电池包异常与否的标准,即,当前工作模式对应的异常阈值。
然后将异常系数与当前工作模式对应的异常阈值进行对比,确定在当前工作模式下电池包以及离群单体电芯是否异常。若异常系数大于异常阈值,则说明在当前工作模式下电池包异常,电池包中存在异常的单体电芯,由此便说明离群单体电芯是异常的;反之,异常系数小于或者等于异常阈值,则说明在当前工作模式下电池包无异常,电池包中不存在异常的单体电芯,由此便说明离群单体电芯不是异常的。
如上所述可见,本申请实施例中,离群单体电芯是通过对电池包中多个单体电芯之间的相对分布关系进行划分而确定出的。而在同一电池包中,由于每一单体电芯的数据采集误差基本是一致的,因此,即使由于电池包处于复杂工况或者处于极端工作环境而导致数据采集误差较大,也不会对确定多个单体电芯之间的相对分布关系的准确性造成干扰,进而也不会对确定离群单体电芯的准确性造成干扰,从而避免了在数据采集误差较大场景下电芯异常检测结果准确性的降低。由此,本申请实施例以强鲁棒性和强泛化性完成电芯异常检测,从而提高了电芯异常检测的准确性。
在一实施例中,基于各单体电芯对应的电压数据以及温度数据,在多个单体电芯中确定出离群单体电芯,包括:
基于各单体电芯对应的电压数据,得到各单体电芯的电压变化率;
基于各单体电芯对应的温度数据,得到各单体电芯的温度变化率;
对电压变化率以及温度变化率进行聚类处理,并根据处理后的结果在多个单体电芯中确定出离群单体电芯。
本实施例中,在得到各单体电芯的电压数据和温度数据后,基于各单体电芯对应的电压数据,可以计算得到各单体电芯的电压变化率;基于各单体电芯对应的温度数据,可以计算得到各单体电芯的温度变化率。例如:针对第i个单体电芯,得到了其在t时刻的电压Vt,以及其在t+1时刻的电压Vt+1后,计算Vt与Vt+1之间的电压差,并计算t时刻与t+1时刻之间的时间差,然后使用该电压差比上该时间差,即计算得到第i个单体电芯的电压变化率。
计算得到各单体电芯的电压变化率和温度变化率之后,对电压变化率和温度变化率进行聚类处理。处理后的结果可以用于描述具体哪些单体电芯属于同一个集群,以及具体哪些单体电芯偏离在集群之外。由此,根据处理后的结果可以在多个单体电芯中确定出离群单体电芯。
在一实施例中,对电压变化率以及温度变化率进行聚类处理,并根据处理后的结果在多个单体电芯中确定出离群单体电芯,包括:
对电压变化率进行聚类处理,得到第一聚类结果;
根据第一聚类结果,在多个单体电芯中确定出第一单体电芯;
对温度变化率进行聚类处理,得到第二聚类结果;
根据第二聚类结果,在多个单体电芯中确定出第二单体电芯;
根据第一单体电芯与第二单体电芯,确定出离群单体电芯。
本实施例中,对各单体单芯的电压变化率进行聚类处理,得到第一聚类结果。然后根据第一聚类结果,在多个单体电芯中确定出第一单体电芯。确定出的第一单体电芯,指的是在从电压表现进行检测时,与由其他单体电芯所组成集群偏离的候选离群单体电芯。
并且,对各单体单芯的温度变化率进行聚类处理,得到第二聚类结果。然后根据第二聚类结果,在多个单体电芯中确定出第二单体电芯。确定出的第二单体电芯,指的是在从温度表现进行检测时,与由其他单体电芯所组成集群偏离的候选离群单体电芯。
若某一单体电芯既属于第一单体电芯,又属于第二单体电芯,说明无论是从电压表现进行检测,还是从温度表现进行检测,该单体电芯均较大程度地偏离由其他单体电芯所组成集群,由此说明,该单体电芯为离群单体电芯。
因此,在确定出第一单体电芯和第二单体电芯后,确定第一单体电芯和第二单体电芯的交集,即得到离群单体电芯。
在一实施例中,基于高斯分布模型对电池包的运行状态数据进行处理,得到电池包的异常系数,包括:
基于运行状态数据中的电池包温度、电池包电压、电池包电流、电池包功率,建立电池包的运行状态矩阵;
基于高斯分布模型,对运行状态矩阵的均值、标准差以及方差进行处理,得到异常系数。
本实施例中,电池包的运行状态数据包括:电池包在运行过程中的电池包温度、电池包电压、电池包电流、电池包功率。得到上述运行状态数据后,按照预先设置的排列顺序,将上述运行状态数据中的每一数据作为矩阵元素进行排列,即得到电池包的运行状态矩阵。
然后对运行状态矩阵进行矩阵运算,计算得到运行状态矩阵的均值、标准差与方差。进而采用预先构建的高斯分布模型,对均值、标准差与方差进行处理,得到用于描述电池包整体运行状态的异常程度的异常系数。
在一实施例中,本申请所提供的电芯异常检测方法还包括:
基于运行状态数据中的电池包电流以及电池包功率,确定电池包的当前工作模式。
本实施例中,按照电池包电流与电池包功率,对电池包的当前工作模式进行划分。
具体的,若电池包电流小于0,并且电池包功率小于0,则说明电池包的当前工作模式为放电模式。若电池包电流大于0,并且电池包功率大于0,则说明电池包的当前工作模式为充电模式。若电池包电流近似等于0,并且电池包功率等于0,则说明电池包的当前工作模式为静置模式。
在一实施例中,本申请所提供的电芯异常检测方法还包括:
基于高斯分布模型对每一工作模式下的正常电池包的历史运行状态数据进行处理,得到每一工作模式下的正常电池包的历史异常系数;
基于高斯分布模型对每一工作模式下的异常电池包的历史运行状态数据进行处理,得到每一工作模式下的异常电池包的历史异常系数;
基于每一工作模式下的正常电池包的历史异常系数、每一工作模式下的异常电池包的历史异常系数,获取每一工作模式对应的异常阈值。
本实施例中,选取出多个正常电池包(即,内部每一单体电芯都是正常电芯的电池包),进而采集得到每一工作模式下的正常电池包的历史运行状态数据,然后采用高斯分布模型对正常电池包的历史运行状态数据进行处理,得到每一工作模式下的正常电池包的历史异常系数。
同理,选取出多个异常电池包(即,内部至少有一个异常的单体电芯的电池包),进而采集得到每一工作模式下的异常电池包的历史运行状态数据,然后采用高斯分布模型对异常电池包的历史运行状态数据进行处理,得到每一工作模式下的异常电池包的历史异常系数。
可以理解的,在同一工作模式下,正常电池包的历史异常系数的分布情况,与异常电池包的历史异常系数的分布情况,相互之间会存在较为明显的区别。因此针对某一工作模式,根据该工作模式下的正常电池包的历史异常系数的分布,与该工作模式下的异常电池包的历史异常系数的分布,可以选取出能够将这两类分布划分开来的界限值,由此便得到该工作模式对应的异常阈值。例如:在充电模式下,正常电池包的历史异常系数分布在0.4~0.7这一数值区间内,而异常电池包的历史异常系数分布在0.9~0.95这一数值区间内。由此,便可以将介于0.7和0.9之间的数值0.8,确定为充电模式对应的异常阈值。
在一实施例中,在确定离群单体电芯异常之后,本申请所提供的电芯异常检测方法还包括:
获取离群单体电芯在目标时间段内每一时刻的电压,并计算电压的均值、标准差;
获取电压与均值之间的差值;
获取第一标准差,第一标准差为标准差的三倍;
将差值与第一标准差进行对比,根据对比结果检测离群单体电芯在目标时间段内每一时刻的异常原因是否为系统故障。
需要说明的是,导致电芯异常的原因主要有两个:系统故障和随机误差。若是随机误差导致的异常,则对应时刻的电压分布应当服从高斯分布;若是系统故障导致的异常,则对应时刻的电压应当满足3倍标准差原则。
具体的,本实施例中,在检测到离群单体电芯异常之后,获取离群单体电芯在目标时间段内每一时刻的电压,然后计算出在目标时间段内每一时刻的电压的均值、标准差。
然后计算目标时间段内每一时刻的电压与该均值之间的差值,并计算第一标准差。第一标准差为标准差的三倍。
然后将目标时间段内每一时刻对应的差值与第一标准差进行对比。若某一时刻对应的差值大于第一标准差,则说明离群单体电芯在该时刻的异常原因为系统故障;反之,若某一时刻对应的差值小于或等于第一标准差,则说明离群单体电芯在该时刻的异常原因不是系统故障。
若确认存在系统故障,则说明电池包存在安全隐患,则可以根据针对系统故障的检测结果,进一步地进行检测,以服务于后续针对电池包所作的安全控制。
在一实施例中,本申请所提供的电芯异常检测方法还包括:
基于针对系统故障的检测结果,获取每一单体电芯在目标时间段内的故障频率;
基于故障频率,对电池包进行安全控制。
本实施例中,基于针对系统故障的检测结果,可以确定离群单体电芯在目标时间段内因系统故障而出现异常的频次,进而可以根据该频次,计算出离群单体电芯在目标时间段内的故障频率。例如:目标时间段被划分为100个时刻,而离群单体电芯在其中的20个时刻是因系统故障而出现异常,由此可以计算得到离群单体电芯在目标时间段内的故障频率为0.2。
同时,由于离群单体电芯之外的其他单体电芯是正常的,因此,其他单体电芯在目标时间段内的故障频率可以直接确认为0。
由此,得到了电池包中每一单体电芯在目标时间段内的故障频率。故障频率的高低反映了对应单体电芯所存在安全隐患的严重程度。故障频率越高,对应单体电芯所存在安全隐患越严重。
由此,根据电池包中每一单体电芯在目标时间段内的故障频率,便可以进一步确定应对电池包采取何种安全控制手段,以保证电池包的安全性。
图3示出了本申请一实施例中的电池包的电芯异常检测的详细流程图。
参见图3,在一实施例中,电池包中设有用于监测电压、电流、温度等参数的传感器,传感器所生成的原始数据持续地上传至电池包的监控平台,然后监控平台对采集到的原始数据进行持久化存储。
在电芯异常检测开始之后,以步骤S20对原始数据进行数据预处理,以得到有效数据。步骤S20包括步骤S201、步骤S202、步骤S203以及步骤S204。
步骤S201、从监控平台导入原始数据。
步骤S202、对所得到的原始数据进行数据分析、筛选特征。
步骤S203、对筛选特征后的数据进行数据清洗。
步骤S204、从数据清洗后的数据中,提取得到由如下两类数据组成的有效数据:一类是电池包的运行状态数据,包括电池包温度、电池包电压、电池包电流、电池包功率,还有一类是电池包中每一单体电芯的电压以及温度。
步骤S30、根据电池包的运行状态数据,计算电池包的异常系数。步骤S30包括步骤S301、步骤S302以及步骤S303。
步骤S301、从电池包的运行状态数据中,提取出电池包温度、电池包电压、电池包电流、电池包功率。
步骤S302、基于电池包电流和电池包功率,确定电池包的当前工作模式。确定出的当前工作模式用于进一步确定对应的异常阈值,进而在计算得到电池包的异常系数之后与之对比。
步骤S303、基于高斯分布模型,计算得到电池包的异常系数。
高斯分布模型的基本结构如下式所示:
其中,μ代表数据的均值,σ代表数据的标准差,σ2代表数据的方差。
具体的,本实施例中,电池包中设有三个温度传感器,记这三个温度传感器在t时刻测量所得温度Tt,分别为T1、T2、T3。
然后按照如下公式,计算得到在t时刻的电池包温度差ΔTt以及电池包平均温度
ΔTt=Max(Tt)-Min(Tt)#(3)
然后结合在t时刻的电池包电压Vt、电池包电流It、电池包功率Pt,建立在t时刻的电池包的运行状态矩阵Dt:
然后便可进一步建立得到在目标时段n内的电池包的运行状态矩阵Dn,t时刻为目标时段n中的一个时刻:
由于电池包有三种工作模式(充电模式、放电模式、静置模式),因此,可以进一步将电池包的运行状态矩阵Dn划分为三种工作模式分别对应的数值矩阵:
式(7)中,为充电模式对应的数值矩阵,/>为放电模式对应的数值矩阵,/>为静置模式对应的数值矩阵。
然后计算每一种工作模式对应的数值矩阵的均值:
式(8)中,j代表第i个数值矩阵中的变量个数。如i=1时,j=5;i=3时,j=3。
进一步的,可以计算得到每个数值矩阵的标准差σi和方差以表征正常电芯的参数数据分布范围:
然后,建立每个工作模式下对应的系数矩阵fi:
进一步的,可以将系数矩阵fi简化为如下形式:
然后,定义如下等式:
式(13)中,代表系数矩阵的第一个参数,即均值/> 代表系数矩阵的第二个参数,即标准差σi;/>代表系数矩阵的第三个参数,即方差/>
然后,采用如下基于高斯分布模型构建的计算公式,计算在t时刻电池包的异常系数Pt:
/>
对于单体电芯的电压的概率密度值的定义如下式所示,根据概率密度值可以确定单体电芯的电压在对应分布区间的概率P(i):
步骤S40、根据每一单体电芯的电压以及温度,对多个单体电芯进行聚类处理。步骤S40包括步骤S401、步骤S402、步骤S403以及步骤S404。
步骤S401、获取每一单体电芯的电压数据和温度数据。
步骤S402、按照如下公式计算每一单体电芯的电压变化率和温度变化率:
式(16)和式(17)中,为第i个单体电芯的电压变化率,/>为第i个单体电芯的温度变化率,/>为第i个单体电芯在t+1时刻的电压,/>为第i个单体电芯在t+1时刻的温度,/>为第i个单体电芯在t时刻的电压,/>为第i个单体电芯在t时刻的温度。
由于电池包的不一致性,不同电芯的电压总是不同的。异常的单体电芯的电压波动在一定时间内可能是最快的,也可能是最慢的,因此,根据标准差和均值计算得到的概率密度值,无法准确进行异常检测。因此,本实施例中,采用K-均值聚类进行异常检测。
步骤S403、利用K-均值聚类算法进行聚类处理。
具体的,在K-均值聚类中,采用欧式距离计算各个待聚类数据之间的间隔d,计算公式如下:
式(18)中,X(i)为第i组待聚类数据,X(j)为第j组待聚类数据,k代表每组数据中的第k个指标。
将电压变化率作为待聚类数据,或者将温度变化率作为待聚类数据。然后按照如下步骤进行聚类:(1)、将待聚类数据随机分为n类;(2)、计算每一类中数据的平均值,得到n类数据各自的中心点;(3)、计算每一个数据到各个中心点的距离,进而将每一个数据归类至距离其最近的中心点所在的那一类;(4)、所有数据遍历后,再重新计算这n类数据各自的中心点;(5)、重复(3)到(4)的操作,循环多次;(6)多次循环结束后,得到聚类结果。
步骤S404、根据聚类结果,即可定位离群单体电芯。
步骤S50、将电池包的异常系数Pt与当前工作模式下的异常阈值进行对比,确认电池包是否异常。
步骤S60、若电池包异常,即可确认离群单体电芯异常;反之,若电池包无异常,即可确认离群单体电芯不是异常的。
在确认离群单体电芯异常后,可以进一步采用3σ原则来检测异常是否为异常故障。具体的,计算离群单体电芯的在目标时间段内每一时刻的电压的均值μ、标准差σ,然后按照如下公式,计算t时刻的电压与均值μ之间的差值/>
然后判断的绝对值与3σ之间的大小关系。若/>则说明异常原因是系统故障,返回结果1;反之,则说明异常原因不是系统故障,返回结果0。
根据判断系统故障这一过程,能够建立t时刻的故障矩阵Ft=(Ft,1,…,Ft,n),其中Ft,i=0 or 1。对于一个特定的目标时段(t0~t1),按照上述计算得到的故障矩阵F如下:
基于故障矩阵F,可以进一步计算故障频率
式(21)中,i为目标时段内的某一时刻,j为电池包中的单体电芯的序号,为第j个单体电芯在目标时段内的故障频率,/>为第j个单体电芯在i时刻的故障值。
根据电池包中每一单体电芯在目标时间段内的故障频率便可以进一步确定应对电池包采取何种安全控制手段,以保证电池包的安全性。
图4示出了根据本申请一实施例的电池包的电芯异常检测装置的框图,电池包包括多个单体电芯,电芯异常检测装置包括:
单体数据获取模块710,配置为获取每一单体电芯的电压数据以及温度数据;
离群电芯确定模块720,配置为基于各单体电芯对应的电压数据以及温度数据,在多个单体电芯中确定出离群单体电芯;
异常系数获取模块730,配置为基于高斯分布模型对电池包的运行状态数据进行处理,得到电池包的异常系数;以及
异常结果检测模块740,配置为在所述异常系数大于所述电池包的当前工作模式对应的异常阈值时,确定所述离群单体电芯异常。
在本申请的一示例性实施例中,离群电芯确定模块720配置为:
基于各单体电芯对应的电压数据,得到各单体电芯的电压变化率;
基于各单体电芯对应的温度数据,得到各单体电芯的温度变化率;
对电压变化率以及温度变化率进行聚类处理,并根据处理后的结果在多个单体电芯中确定出离群单体电芯。
在本申请的一示例性实施例中,离群电芯确定模块720配置为:
对电压变化率进行聚类处理,得到第一聚类结果;
根据第一聚类结果,在多个单体电芯中确定出第一单体电芯;
对温度变化率进行聚类处理,得到第二聚类结果;
根据第二聚类结果,在多个单体电芯中确定出第二单体电芯;
根据第一单体电芯与第二单体电芯,确定出离群单体电芯。
在本申请的一示例性实施例中,异常系数获取模块730配置为:
基于运行状态数据中的电池包温度、电池包电压、电池包电流、电池包功率,建立电池包的运行状态矩阵;
基于高斯分布模型,对运行状态矩阵的均值、标准差以及方差进行处理,得到异常系数。
在本申请的一示例性实施例中,电芯异常检测装置配置为:
基于运行状态数据中的电池包电流以及电池包功率,确定电池包的当前工作模式。
在本申请的一示例性实施例中,电芯异常检测装置配置为:
基于高斯分布模型对每一工作模式下的正常电池包的历史运行状态数据进行处理,得到每一工作模式下的正常电池包的历史异常系数;
基于高斯分布模型对每一工作模式下的异常电池包的历史运行状态数据进行处理,得到每一工作模式下的异常电池包的历史异常系数;
基于每一工作模式下的正常电池包的历史异常系数、每一工作模式下的异常电池包的历史异常系数,获取每一工作模式对应的异常阈值。
在本申请的一示例性实施例中,在检测到离群单体电芯异常之后,电芯异常检测装置还配置为:
获取离群单体电芯在目标时间段内每一时刻的电压,并计算电压的均值、标准差;
获取电压与均值之间的差值;
获取第一标准差,第一标准差为标准差的三倍;
将差值与第一标准差进行对比,根据对比结果检测离群单体电芯在目标时间段内每一时刻的异常原因是否为系统故障。
在本申请的一示例性实施例中,电芯异常检测装置配置为:
基于针对系统故障的检测结果,获取每一单体电芯在目标时间段内的故障频率;
基于故障频率,对电池包进行安全控制。
下面参考图5来描述根据本申请实施例的电池包80。图5显示的电池包80仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图5所示,电池包80以通用计算设备的形式表现。除了包括多个单体电芯之外,电池包80的组件可以包括但不限于:至少一个处理单元810、至少一个存储单元820、连接不同系统组件(包括存储单元820和处理单元810)的总线830。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元810执行,使得所述处理单元810执行本说明书上述示例性方法的描述部分中描述的根据本发明各种示例性实施方式的步骤。例如,所述处理单元810可以执行如图2中所示的各个步骤。
存储单元820可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)8201和/或高速缓存存储单元8202,还可以进一步包括只读存储单元(ROM)8203。
存储单元820还可以包括具有一组(至少一个)程序模块8205的程序/实用工具8204,这样的程序模块8205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线830可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电池包80也可以与一个或多个外部设备900(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电池包80交互的设备通信,和/或与使得该电池包80能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口850进行。输入/输出(I/O)接口850与显示单元840相连。并且,电池包80还可以通过网络适配器860与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器860通过总线830与电池包80的其它模块通信。应当明白,尽管图中未示出,可以结合电池包80使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本申请实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本申请实施方式的方法。
在本申请的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有计算机可读指令,当所述计算机可读指令被计算机的处理器执行时,使计算机执行上述方法实施例部分描述的方法。
根据本申请的一个实施例,还提供了一种用于实现上述方法实施例中的方法的程序产品,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,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。
所述程序产品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为但不限于电、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。
计算机可读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,其中承载了可读程序代码。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。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、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。
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、有线、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的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如JAVA、C++等,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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本申请的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外,尽管在附图中以特定顺序描述了本申请中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本申请实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本申请实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由所附的权利要求指出。
Claims (10)
1.一种电池包的电芯异常检测方法,其特征在于,所述电池包包括多个单体电芯,所述电芯异常检测方法包括:
获取每一所述单体电芯的电压数据以及温度数据;
基于各所述单体电芯对应的电压数据以及温度数据,在所述多个单体电芯中确定出离群单体电芯;
基于高斯分布模型对所述电池包的运行状态数据进行处理,得到所述电池包的异常系数;以及
在所述异常系数大于所述电池包的当前工作模式对应的异常阈值时,确定所述离群单体电芯异常。
2.根据权利要求1所述的电芯异常检测方法,其特征在于,所述基于各所述单体电芯对应的电压数据以及温度数据,在所述多个单体电芯中确定出离群单体电芯,包括:
基于各所述单体电芯对应的电压数据,得到各所述单体电芯的电压变化率;
基于各所述单体电芯对应的温度数据,得到各所述单体电芯的温度变化率;
对所述电压变化率以及所述温度变化率进行聚类处理,并根据处理后的结果在所述多个单体电芯中确定出离群单体电芯。
3.根据权利要求2所述的电芯异常检测方法,其特征在于,对所述电压变化率以及所述温度变化率进行聚类处理,并根据处理后的结果在所述多个单体电芯中确定出离群单体电芯,包括:
对所述电压变化率进行聚类处理,得到第一聚类结果;
根据所述第一聚类结果,在所述多个单体电芯中确定出第一单体电芯;
对所述温度变化率进行聚类处理,得到第二聚类结果;
根据所述第二聚类结果,在所述多个单体电芯中确定出第二单体电芯;
根据所述第一单体电芯与所述第二单体电芯,确定出离群单体电芯。
4.根据权利要求1所述的电芯异常检测方法,其特征在于,基于高斯分布模型对所述电池包的运行状态数据进行处理,得到所述电池包的异常系数,包括:
基于所述运行状态数据中的电池包温度、电池包电压、电池包电流、电池包功率,建立所述电池包的运行状态矩阵;
基于所述高斯分布模型,对所述运行状态矩阵的均值、标准差以及方差进行处理,得到所述异常系数。
5.根据权利要求1所述的电芯异常检测方法,其特征在于,所述电芯异常检测方法还包括:
基于所述运行状态数据中的电池包电流以及电池包功率,确定所述电池包的当前工作模式。
6.根据权利要求1所述的电芯异常检测方法,其特征在于,所述电芯异常检测方法还包括:
基于所述高斯分布模型对每一工作模式下的正常电池包的历史运行状态数据进行处理,得到每一工作模式下的正常电池包的历史异常系数;
基于所述高斯分布模型对所述每一工作模式下的异常电池包的历史运行状态数据进行处理,得到每一工作模式下的异常电池包的历史异常系数;
基于所述每一工作模式下的正常电池包的历史异常系数、所述每一工作模式下的异常电池包的历史异常系数,获取所述每一工作模式对应的异常阈值。
7.根据权利要求1所述的电芯异常检测方法,其特征在于,在确定所述离群单体电芯异常之后,所述电芯异常检测方法还包括:
获取所述离群单体电芯在目标时间段内每一时刻的电压,并计算所述电压的均值、标准差;
获取所述电压与所述均值之间的差值;
获取第一标准差,所述第一标准差为所述标准差的三倍;
将所述差值与所述第一标准差进行对比,根据对比结果检测所述离群单体电芯在所述目标时间段内每一时刻的异常原因是否为系统故障。
8.根据权利要求7所述的电芯异常检测方法,其特征在于,所述电芯异常检测方法还包括:
基于针对系统故障的检测结果,获取所述每一单体电芯在所述目标时间段内的故障频率;
基于所述故障频率,对所述电池包进行安全控制。
9.一种电池包的电芯异常检测装置,其特征在于,所述电池包包括多个单体电芯,所述电芯异常检测装置包括:
单体数据获取模块,配置为获取每一所述单体电芯的电压数据以及温度数据;
离群电芯确定模块,配置为基于各所述单体电芯对应的电压数据以及温度数据,在所述多个单体电芯中确定出离群单体电芯;
异常系数获取模块,配置为基于高斯分布模型对所述电池包的运行状态数据进行处理,得到所述电池包的异常系数;以及
异常结果检测模块,配置为在所述异常系数大于所述电池包的当前工作模式对应的异常阈值时,确定所述离群单体电芯异常。
10.一种电池包,其特征在于,包括:
多个单体电芯;
一个或多个处理器;
存储器,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述电池包实现如权利要求1至8任一项所述的电芯异常检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310695271.2A CN116736166A (zh) | 2023-06-12 | 2023-06-12 | 电池包的电芯异常检测方法、装置及电池包 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310695271.2A CN116736166A (zh) | 2023-06-12 | 2023-06-12 | 电池包的电芯异常检测方法、装置及电池包 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116736166A true CN116736166A (zh) | 2023-09-12 |
Family
ID=87900643
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310695271.2A Pending CN116736166A (zh) | 2023-06-12 | 2023-06-12 | 电池包的电芯异常检测方法、装置及电池包 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116736166A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117434456A (zh) * | 2023-11-15 | 2024-01-23 | 珠海科创储能科技有限公司 | 电池组的故障检测方法、装置、存储介质及电子设备 |
CN117849653A (zh) * | 2024-03-08 | 2024-04-09 | 备倍电科技(深圳)有限公司 | 一种基于电源管理的工作状态监测方法及系统 |
-
2023
- 2023-06-12 CN CN202310695271.2A patent/CN116736166A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117434456A (zh) * | 2023-11-15 | 2024-01-23 | 珠海科创储能科技有限公司 | 电池组的故障检测方法、装置、存储介质及电子设备 |
CN117849653A (zh) * | 2024-03-08 | 2024-04-09 | 备倍电科技(深圳)有限公司 | 一种基于电源管理的工作状态监测方法及系统 |
CN117849653B (zh) * | 2024-03-08 | 2024-05-07 | 备倍电科技(深圳)有限公司 | 一种基于电源管理的工作状态监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116736166A (zh) | 电池包的电芯异常检测方法、装置及电池包 | |
US8154297B2 (en) | System and method for predictive maintenance of a battery assembly using temporal signal processing | |
US10203375B2 (en) | Method for ascertaining storage battery state, state-ascertaining system, and computer program | |
CN114148216B (zh) | 电池自放电率异常检测方法、系统、设备及存储介质 | |
WO2022143903A1 (zh) | 车用电池的安全评估方法、系统、设备及可读存储介质 | |
CN116643178B (zh) | 一种电池管理系统的soc估算方法及相关装置 | |
CN116381542B (zh) | 基于人工智能的电源设备的健康诊断方法及装置 | |
CN115951230B (zh) | 一种锂电池储能箱的异常检测方法及系统 | |
CN115718258B (zh) | 电池故障检测 | |
KR102309374B1 (ko) | 에너지저장장치 화재확산 방지를 위한 이상상태 감시방법, 이를 구현하기 위한 프로그램이 저장된 기록매체 및 이를 구현하기 위해 매체에 저장된 컴퓨터프로그램 | |
CN117907844B (zh) | 电池系统内短路异常检测方法、电子设备及介质 | |
CN116879763A (zh) | 一种基于卡尔曼滤波算法的电池故障预警方法 | |
CN116885766A (zh) | 一种分布式电源并网运行的控制方法及系统 | |
CN116488219B (zh) | 一种基于多层级架构的分布式储能采集策略控制方法 | |
CN114693043A (zh) | 车用电池的健康状况评估方法、系统、电子设备和介质 | |
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 | |
CN115659620A (zh) | 基于数据相对重要度的fmeca分析方法及系统 | |
KR102215703B1 (ko) | 에너지 저장장치 잔존 수명 추정 및 적정 동작구간 설정 기술 | |
KR20220019564A (ko) | 배터리 이상 진단 장치 및 방법 | |
CN116526608B (zh) | 一种基于云端交互的储能电池跨模组主动均衡方法及系统 | |
KR20240123576A (ko) | 진단 모델 관리 장치 및 이를 포함하는 배터리 진단 시스템 | |
US20230268753A1 (en) | Intelligent battery charging based on history | |
CN117972620B (zh) | 基于逻辑回归算法的电芯异常预测方法及装置 | |
CN118393385A (zh) | 用混合微分方程预测性诊断技术设备的设备电池的方法 | |
CN118519060A (zh) | 一种新能源汽车的电池故障检测方法及检测装置 |
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 |