CN116819377B - 电池组异常识别诊断方法和系统 - Google Patents
电池组异常识别诊断方法和系统 Download PDFInfo
- Publication number
- CN116819377B CN116819377B CN202310773438.2A CN202310773438A CN116819377B CN 116819377 B CN116819377 B CN 116819377B CN 202310773438 A CN202310773438 A CN 202310773438A CN 116819377 B CN116819377 B CN 116819377B
- Authority
- CN
- China
- Prior art keywords
- preset
- battery
- abnormality
- abnormal
- electrochemical impedance
- 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
- 230000005856 abnormality Effects 0.000 title claims abstract description 98
- 238000003745 diagnosis Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000002159 abnormal effect Effects 0.000 claims abstract description 100
- 238000001453 impedance spectrum Methods 0.000 claims abstract description 55
- 238000009826 distribution Methods 0.000 claims abstract description 35
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 238000010801 machine learning Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 8
- 238000004458 analytical method Methods 0.000 claims abstract description 5
- 238000012360 testing method Methods 0.000 claims abstract description 3
- 238000000157 electrochemical-induced impedance spectroscopy Methods 0.000 claims description 40
- 238000013145 classification model Methods 0.000 claims description 25
- 230000007423 decrease Effects 0.000 claims description 25
- 238000005259 measurement Methods 0.000 claims description 21
- 238000013507 mapping Methods 0.000 claims description 15
- 230000032683 aging Effects 0.000 claims description 14
- 230000009467 reduction Effects 0.000 claims description 12
- 230000005284 excitation Effects 0.000 claims description 9
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000002405 diagnostic procedure Methods 0.000 claims description 4
- 238000000691 measurement method Methods 0.000 claims description 3
- 239000000178 monomer Substances 0.000 claims 1
- 238000004146 energy storage Methods 0.000 abstract description 3
- 230000008859 change Effects 0.000 description 6
- 238000002372 labelling Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000004138 cluster model Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000003860 storage Methods 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]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
-
- 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]
- G01R31/389—Measuring internal impedance, internal conductance or related variables
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明属于新能源汽车及储能技术领域，具体涉及一种电池组异常识别诊断方法和系统。其中电池组异常识别诊断方法，包括：S1，对包含异常电池单体的电池组进行测量，获取若干电池单体的电化学阻抗谱数据，对电化学阻抗谱数据进行弛豫时间分布分析，获取弛豫时间分布曲线；S2，采用预先训练和测试后的机器学习算法对电化学阻抗谱数据和弛豫时间分布曲线进行异常识别诊断，识别出电池组中的异常电池单体。本发明利用EIS特征、DRT特征同时完成对电池状态和故障异常的识别和诊断，具有速度快、准确率高的优点，可以帮助进行电池组一致性识别诊断。
Description
技术领域
本发明属于新能源汽车及储能技术领域，具体涉及一种电池组异常识别诊断方法和系统。
背景技术
在储能和新能源汽车领域，锂离子电池都有大规模的应用。虽然在电池成组时可以充分保证电池之间的一致性，但是在使用过程中也会发生一致性恶化的情况。在电池完整生命周期过程中，这种一致性的恶化除了由生产环节的生产工艺、结构工艺、材料细微差别导致以外，另一个重要原因是个别缺陷、后期使用过程中的热管理、均衡等不均匀性的长期累积导致，又或是电池组连接等机械故障所致。
通常情况下，电池组内单体电池的一致性异常可以分为状态异常和故障异常两类。其中，状态异常主要包括老化状态(state of health，SOH)、温度、荷电状态(state ofcharge，SOC)异常，故障异常主要包括连接器(Busbar)异常。目前在电池管理系统(batterymanagement system，BMS)中缺乏有效的异常识别方法，从而在电池运行或者寿命维保等方面造成不足。直接通过BMS低速度、低精度采集得到的电压、电流和温度数据很难实现上述异常的及时识别和诊断。在售后维保等场景下需要有一种可以快速对电池组异常识别诊断的方法和系统。
另外，电化学阻抗谱(electrochemical impedance spectroscopy，EIS)是电池内部电极过程特性的重要表征量，可以表征电池的内部过程的演变，在电池的寿命、安全和异常分析中具有巨大的应用潜力。但是，一直以来仍缺少有效的基于EIS的电池异常识别诊断方法和系统。
发明内容
本发明针缺少对电池组内单体电池的异常识别诊断的技术问题，目的在于提供一种电池组异常识别诊断方法和系统。
为了解决前述技术问题，本发明的第一方面提供一种电池组异常识别诊断方法，包括：
S1，对包含异常电池单体的电池组进行测量，获取若干电池单体的电化学阻抗谱数据，对所述电化学阻抗谱数据进行弛豫时间分布分析，获取弛豫时间分布曲线；
S2，采用预先训练和测试后的机器学习算法对所述电化学阻抗谱数据和所述弛豫时间分布曲线进行异常识别诊断，识别出所述电池组中的异常电池单体。
可选地，在如前所述的电池组异常识别诊断方法中，步骤S1中，获取若干电池单体的电化学阻抗谱数据时，测量所述电池单体在0.01Hz～1kHz频率范围内的电化学阻抗谱数据，优选测量频率设定为每十倍频程取十个频率。
可选地，在如前所述的电池组异常识别诊断方法中，所述机器学习算法包括非监督的聚类模型，通过所述聚类模型对所述电化学阻抗谱数据和所述弛豫时间分布曲线进行聚类，将异常电池单体和正常电池单体划分成若干个簇，以识别出所述电池组中的异常电池单体。
可选地，在如前所述的电池组异常识别诊断方法中，所述聚类模型采用仿射传播聚类模型(Affinity Propagation Clustering，AP)。
可选地，在如前所述的电池组异常识别诊断方法中，所述机器学习算法还包括有监督的分类模型，当所述聚类模型的聚类结果为大于两个簇时，通过所述分类模型对所述电化学阻抗谱数据和所述弛豫时间分布曲线进行分类，识别出所述电池组中的异常电池单体及其异常模式。
可选地，在如前所述的电池组异常识别诊断方法中，所述机器学习算法包括有监督的分类模型，通过所述分类模型对所述电化学阻抗谱数据和所述弛豫时间分布曲线进行分类，识别出所述电池组中的异常电池单体及其异常模式。
可选地，在如前所述的电池组异常识别诊断方法中，所述分类模型采用极端梯度提升模型(XGBoost)。
可选地，在如前所述的电池组异常识别诊断方法中，当所述机器学习算法包含有监督的分类模型时，采用与步骤S1相同的测量方法，获取若干电池组中若干电池单体的电化学阻抗谱数据和弛豫时间分布曲线，形成初始数据集，对所述初始数据集进行标注后形成带标签数据集；
通过带标签的数据集训练所述分类模型，以识别出异常电池单体及其异常模式。
可选地，在如前所述的电池组异常识别诊断方法中，在对所述初始数据集进行标注时，根据预设的特征映射规律规则，将所述电化学阻抗谱数据中的若干电化学阻抗谱特征与若干异常特征进行对应关联，将所述弛豫时间分布曲线中的若干弛豫时间分布特征与若干异常特征进行对应关联。
可选地，在如前所述的电池组异常识别诊断方法中，所述异常特征包括连接器松动异常、温度异常、老化状态异常、荷电状态异常升高和荷电状态异常降低中的至少一种；
所述电化学阻抗谱特征包括所述电化学阻抗谱数据中与横坐标交点对应的实部值、全频段阻抗小于预设第一最小值、全频段阻抗大于预设第一最大值、预设中低频阻抗小于预设第二最小值和预设中低频阻抗大于预设第二最大值中的至少一种；
所述弛豫时间分布特征包括所有时间常数的峰值高度变小、所有时间常数的峰值面积变小、所有时间常数的峰值高度变大、所有时间常数的峰值面积变大、预设中长时间范围的峰值高度变小、预设中长时间范围的峰值面积变小、预设中长时间范围的峰值高度变大和预设中长时间范围的峰值面积变大中的至少一种；
所述特征映射规律规则为：
若所述电化学阻抗谱数据中存在与横坐标交点对应的实部值，则将与横坐标交点对应的实部值与所述连接器松动异常进行对应关联；若存在全频段阻抗小于预设第一最小值，则将全频段阻抗小于预设第一最小值与所述温度异常对应关联；若存在全频段阻抗大于预设第一最大值，则将全频段阻抗大于预设第一最大值与所述老化状态异常对应关联；若存在预设中低频阻抗小于预设第二最小值，则将预设中低频阻抗小于预设第二最小值与所述荷电状态异常升高对应关联；若存在预设中低频阻抗大于预设第二最大值，则将预设中低频阻抗大于预设第二最大值与所述荷电状态异常降低对应关联；
若存在所有时间常数的峰值高度变小或所有时间常数的峰值面积变小，则将所有时间常数的峰值高度变小或所有时间常数的峰值面积变小与所述温度异常对应关联；若存在所有时间常数的峰值高度变大或所有时间常数的峰值面积变大，则将所有时间常数的峰值高度变大或所有时间常数的峰值面积变大与所述老化状态异常对应关联；若存在预设中长时间范围的峰值高度变小或预设中长时间范围的峰值面积变小，则将预设中长时间范围的峰值高度变小或预设中长时间范围的峰值面积变小与所述荷电状态异常升高对应关联；若存在预设中长时间范围的峰值高度变大或预设中长时间范围的峰值面积变大，则将预设中长时间范围的峰值高度变大或预设中长时间范围的峰值面积变大与所述荷电状态异常降低对应关联。
可选地，在如前所述的电池组异常识别诊断方法中，所述电化学阻抗谱数据中与横坐标交点对应的实部值可以用300Hz～1kHz高频阻抗实部值代替，而不获取与实轴交点位置。
可选地，在如前所述的电池组异常识别诊断方法中，预设中低频范围是0.01Hz～100Hz。
可选地，在如前所述的电池组异常识别诊断方法中，预设中长时间范围是0.01s～100s。
为了解决前述技术问题，本发明的第二方面提供一种电池组异常识别诊断系统，包括多通道的EIS测量系统和上位机；
所述多通道的EIS测量系统用于测量电池组中若干电池单体的电化学阻抗谱数据，所述多通道的EIS测量系统具有激励发生装置、信号测量装置和阻抗计算子模块；
所述上位机与所述多通道的EIS测量系统连接，所述多通道的EIS测量系统在所述上位机的控制下进行电化学阻抗谱数据的测量，所述上位机包括异常识别诊断模块，所述异常识别诊断模块用于执行上述电池组异常识别诊断方法。
可选地，在如前所述的电池组异常识别诊断系统中，所述电池组异常识别诊断系统还包括存储器，所述存储器内存储有电化学阻抗谱数据和弛豫时间分布曲线的数据集，所述存储器连接所述上位机。
可选地，在如前所述的电池组异常识别诊断系统中，所述电池组异常识别诊断系统还包括特征映射规律规则，所述特征映射规律规则包含有电化学阻抗谱特征与异常特征的关联规则、弛豫时间分布特征与异常特征的关联规则。
本发明的积极进步效果在于：本发明利用EIS特征、DRT特征同时完成对电池状态和故障异常的识别和诊断，具有速度快、准确率高的优点，可以帮助进行电池组一致性识别诊断。
附图说明
参照附图，本发明的公开内容将更加显然。应当了解，这些附图仅仅用于说明的目的，而并非意在对本发明的保护范围构成限制。图中：
图1为本发明的一种方法流程图；
图2为本发明实施例1的聚类结果图；
图3为本发明实施例1的聚类精度对比图；
图4为本发明实施例2的分类结果图；
图5为本发明实施例2的分类精度对比图；
图6为本发明一种系统框图。
具体实施方式
以下通过特定的具体示例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。
需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
在本发明的描述中，需要说明的是，对于方位词，如有术语“外侧”，“中段”、“内”、“外”等指示方位和位置关系为基于附图所示的方位或位置关系，仅是为了便于叙述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定方位构造和操作，不能理解为限制本发明的具体保护范围。
此外，如有术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或隐含指明技术特征的数量。由此，限定有“第一”、“第二”特征可以明示或者隐含包括一个或者多个该特征，在本发明描述中，“数个”、“若干”的含义是两个或两个以上，除非另有明确具体的限定。
参照图1，本发明实施例提供一种电池组异常识别诊断方法，包括如下步骤：
S1，获取测量数据：对包含异常电池单体的电池组进行测量，获取若干电池单体的电化学阻抗谱数据，对电化学阻抗谱数据进行弛豫时间分布分析，获取弛豫时间分布曲线。
电池组内通常包含有若干电池单体，一旦电池组发生异常时，往往不清楚具体是哪个或哪几个电池单体发生了异常，发生了什么异常。传统做法是对每个电池单体逐个进行测量和分析。
本发明利用电池的EIS(电化学阻抗谱)对电池的状态和故障是比较敏感且呈现不同的变化规律，EIS相应的DRT(弛豫时间分布)的结果也会发生变化的特征，将EIS特征和DRT特征均纳入后续进行异常识别诊断的原始数据，提供了异常识别诊断时较为精确的数据基础。
在一些实施例中，步骤S1中，获取若干电池单体的电化学阻抗谱数据时，测量电池单体在0.01Hz～1kHz频率范围内的电化学阻抗谱数据。
在一些实施例中，步骤S1中，测量频率设定为每十倍频程取十个频率。
S2，异常识别诊断：采用预先训练和测试后的机器学习算法对电化学阻抗谱数据和弛豫时间分布曲线进行异常识别诊断，识别出电池组中的异常电池单体。
本发明在使用之前，预先对机器学习算法进行了训练和测试，以适用于电池组的异常识别诊断场景中。通过机器学习算法进行异常识别诊断，具有速度快、准确率高的优点。
在一些实施例中，本发明的机器学习算法包括非监督的聚类模型和/或有监督的分类模型。即可直接通过非监督的聚类模型或有监督的分类模型进行异常识别诊断，也可以直接采用非监督的聚类模型结合有监督的分类模型进行异常识别诊断。
在一些实施例中，机器学习算法包括非监督的聚类模型，通过聚类模型对电化学阻抗谱数据和弛豫时间分布曲线进行聚类，将异常电池单体和正常电池单体划分成若干个簇，以识别出电池组中的异常电池单体。
在一些实施例中，聚类模型采用仿射传播聚类模型(Affinity PropagationClustering，AP)，通过仿射传播聚类模型进行异常识别诊断。
仿射传播聚类模型在初始化时视所有数据为可能的聚类中心，利用数据之间的相似性，连接各数据形成网络，即建立相似性矩阵，并且数据之间依靠连线传递吸引与归属两种衡量信息，其形成各自的信息矩阵并传递更新以及计算出聚类中心。
在仿射传播聚类模型训练时，正常电池数据聚类结果为一种，否则视为存在异常，根据不同的异常模式，会聚类出不同的簇。
仿射传播聚类模型的主要聚类公式如下：
吸引度迭代公式：
Rt+1(i,k)＝(1-λ)·Rt+1(i,k)+λ·Rt(i,k)
其中，
归属度迭代公式：
At+1(i,k)＝(1-λ)·At+1(i,k)+λ·At(i,k)
其中，
在一些实施例中，机器学习算法包括有监督的分类模型，通过分类模型对电化学阻抗谱数据和弛豫时间分布曲线进行分类，识别出电池组中的异常电池单体及其异常模式。
通过分类模型可以较好的识别出在电池组中的异常电池单体及对应的异常模式。
本发明的异常模式包括但不限于连接器松动异常、温度异常、老化状态异常、荷电状态异常升高和荷电状态异常降低中的至少一种。
在一些实施例中，当聚类模型的聚类结果为大于两个簇时，通过分类模型对电化学阻抗谱数据和弛豫时间分布曲线进行分类，识别出电池组中的异常电池单体及其异常模式。
当采用聚类模型的聚类结果为1个簇时，即聚类结果为一种，则通常均为正常电池单体或均为异常电池单体。当的聚类结果为2个簇时，即聚类结果为两种，则一种是正常电池单体，另一种是某一异常模式的异常电池单体。由于聚类模型无法识别出具体是哪种异常模式，因此当聚类结果为大于2个簇时，需要进一步识别若干聚类结果的分类。此时，需要通过分类模型进行分类识别，识别出异常电池单体及对应的异常模式。
在一些实施例中，分类模型采用极端梯度提升模型(XGBoost)。
本实施例采用精度和速度较好的极端梯度提升模型作为分类模型，其基本思想为树结构模型，使用多棵决策分类树构成组合(集成)分类器，树的叶子节点赋予权值。设置其使用softmax分类方式进行多分类，根据收集的异常数据进行标注分类并训练模型，输出判定是否异常并给出异常种类。主要分类公式如下，其公式结果是由多棵树组合：
在一些实施例中，当机器学习算法包含有监督的分类模型时，采用与步骤S1相同的测量方法，获取若干电池组中若干电池单体的电化学阻抗谱数据和弛豫时间分布曲线，形成初始数据集，对初始数据集进行标注后形成带标签数据集。通过带标签的数据集训练分类模型，以识别出异常电池单体及其异常模式。
在一些实施例中，在对初始数据集进行标注时，可以采用人工标注或现有的数据标注工具进行标注。
在一些实施例中，在对初始数据集进行标注时，根据预设的特征映射规律规则，将电化学阻抗谱数据中的若干电化学阻抗谱特征与若干异常特征进行对应关联，将弛豫时间分布曲线中的若干弛豫时间分布特征与若干异常特征进行对应关联。
由于电池的EIS对电池的状态和故障是比较敏感且呈现不同的变化规律，相应的DRT的结果也会发生变化。电池的EIS随着SOH(老化状态)的降低在全频段内出现增大的趋势，随着温度的升高在全频段内出现减小的趋势，随着SOC(荷电状态)的降低中低频阻抗增大，随着SOC的升高中低频阻抗变小，DRT则呈现不同峰值的变化规律。下表给出了电池EIS和DRT受到状态和故障影响变化规律：
| 异常模式 | EIS特征 | DRT特征 |
| SOH异常降低 | 全频段增大 | 不同时间常数峰位增高 |
| 温度异常升高 | 全频段减小 | 不同时间常数峰位降低 |
| SOC异常降低 | 中低频增大 | 中长时间尺度峰位增高 |
| SOC异常升高 | 中低频减小 | 中长时间尺度峰位降低 |
| Busbar异常 | 欧姆电阻增大或不稳定 | / |
本实施例将上述电池EIS和DRT受到状态和故障影响变化规律形成特征映射规律规则，用于对数据的标注中，以使得训练后的分类模型可以根据这些特征映射规律规则自动分类出异常模式。
具体的，异常特征包括连接器(Busbar)松动异常、温度异常(温度异常升高)、老化状态异常、荷电状态异常升高和荷电状态异常降低中的至少一种。
电化学阻抗谱特征包括电化学阻抗谱数据中与横坐标交点对应的实部值、全频段阻抗小于预设第一最小值、全频段阻抗大于预设第一最大值、预设中低频阻抗小于预设第二最小值、预设中低频阻抗大于预设第二最大值中的至少一种。
弛豫时间分布特征包括所有时间常数的峰值高度变小、所有时间常数的峰值面积变小、所有时间常数的峰值高度变大、所有时间常数的峰值面积变大、预设中长时间范围的峰值高度变小、预设中长时间范围的峰值面积变小、预设中长时间范围的峰值高度变大、预设中长时间范围的峰值面积变大中的至少一种。
特征映射规律规则为：
若电化学阻抗谱数据中存在与横坐标交点对应的实部值，则将与横坐标交点对应的实部值与连接器松动异常进行对应关联；
若存在全频段阻抗小于预设第一最小值，则将全频段阻抗小于预设第一最小值与温度异常对应关联；
若存在全频段阻抗大于预设第一最大值，则将全频段阻抗大于预设第一最大值与老化状态异常对应关联；
若存在预设中低频阻抗小于预设第二最小值，则将预设中低频阻抗小于预设第二最小值与荷电状态异常升高对应关联；
若存在预设中低频阻抗大于预设第二最大值，则将预设中低频阻抗大于预设第二最大值与荷电状态异常降低对应关联；
若存在所有时间常数的峰值高度变小或所有时间常数的峰值面积变小，则将所有时间常数的峰值高度变小或所有时间常数的峰值面积变小与温度异常对应关联；
若存在所有时间常数的峰值高度变大或所有时间常数的峰值面积变大，则将所有时间常数的峰值高度变大或所有时间常数的峰值面积变大与老化状态异常对应关联；
若存在预设中长时间范围的峰值高度变小或预设中长时间范围的峰值面积变小，则将预设中长时间范围的峰值高度变小或预设中长时间范围的峰值面积变小与荷电状态异常升高对应关联；
若存在预设中长时间范围的峰值高度变大或预设中长时间范围的峰值面积变大，则将预设中长时间范围的峰值高度变大或预设中长时间范围的峰值面积变大与荷电状态异常降低对应关联。
在一些实施例中，电化学阻抗谱数据中与横坐标交点对应的实部值可以用300Hz～1kHz高频阻抗实部值代替，而不获取与实轴交点位置。
在一些实施例中，预设中低频范围是0.01Hz～100Hz。
在一些实施例中，预设中长时间范围是0.01s～100s。
实施例1：
对于包含40条异常数据和10条正常数据的电池EIS数据集，40条异常数据中，10条为连接器松动异常，10条为温度异常，10条为老化状态异常，10条为荷电状态异常降低。
设仿射传播聚类模型的最大迭代次数为200次，聚类个数连续迭代20次不改变则停止迭代。
如图2所示，聚类结果为5，将此聚类结果与真值进行比较后，如图3所示，存在聚类错误数据两条，模型精度达到0.96，表示模型对异常数据不敏感，有较好的鲁棒性，能达到预期目标。
实施例2：
对于包含40条异常数据和10条正常数据的电池EIS数据集，40条异常数据中，10条为连接器松动异常，10条为温度异常，10条为老化状态异常，10条为荷电状态异常降低。
设极端梯度提升模型训练参数取最大树深度为16，学习率为0.3，树个数为200个，随机种子为42。
如图4所示，分类结果为5，其中，label_0表示正常数据，label_1表示荷电状态异常降低异常，label_2表示老化状态异常，label_3表示连接器松动异常，label_4表示温度异常。
利用KFold交叉方法进行训练预测，将交叉次数结果总和评估模型性能，如图5所示，显示1条2类异常数据分类成正常数据0，其模型精度达到0.98。
参照图6，本发明另一实施例提供一种电池组异常识别诊断系统，包括多通道的EIS测量系统1和上位机2。
多通道的EIS测量系统1用于测量电池组中若干电池单体的电化学阻抗谱数据。
上位机2与多通道的EIS测量系统1连接，多通道的EIS测量系统1在上位机2的控制下进行电化学阻抗谱数据的测量。
上位机2包括异常识别诊断模块21，异常识别诊断模块21用于执行上述各实施例中电池组异常识别诊断方法的步骤。
在一些实施例中，多通道的EIS测量系统1可以采用现有技术中的实现电池单体电化学阻抗谱测量的系统。
在一些实施例中，多通道的EIS测量系统1具有激励发生装置11、信号测量装置12和阻抗计算子模块13。
激励发生装置11用于产生不同频率的激励信号以注入到电池组中。
信号测量装置12用于测量电池组中单体电池的电压和电流信号，数量为可扩展型。
阻抗计算子模块13用于通过电压和电流信号计算电池阻抗。
在一些实施例中，激励发生装置11可以产生0.01Hz～1kHz的正弦扫频信号，也可以产生0.01Hz～1kHz的合成正弦信号，以加快电池的EIS测量速度。
在一些实施例中，信号测量装置12具有多个，即通过多个信号测量装置12扩展而成，多个信号测量装置12之间通过硬线实现电压采样信号的同步。
在一些实施例中，多通道的EIS测量系统1还包括控制装置、机箱、本地显示器和本地存储器。
控制装置分别连接激励发生装置11、信号测量装置12和阻抗计算子模块13，控制装置用于控制激励发生装置11和信号测量装置12，控制装置获取阻抗计算子模块13计算得到的电化学阻抗谱数据。控制装置通过无线方式与上位机2实现数据交换。
机箱包括多个易扩展卡槽，可实现信号测量装置12的数量扩展。
本地显示器嵌入于机箱上，本地显示器用于控制测量以及显示测量状态和结果。
本地存储器与控制装置13连接，以实现电压和电流数据的存储。本地存储器优选采用大容量的高速存储器。
在一些实施例中，控制装置13和信号测量装置12之间通过以太网进行数据传输。
在一些实施例中，激励发生装置11、信号测量装置12、阻抗计算子模块13、控制装置、本地显示器之间通过控制器局域网(CAN)进行数据传输。
在一些实施例中，电池组异常识别诊断系统还包括存储器3，存储器3内存储有电化学阻抗谱数据和弛豫时间分布曲线的数据集，存储器连接上位机2。
在一些实施例中，电池组异常识别诊断系统还包括特征映射规律规则4，特征映射规律规则4包含有电化学阻抗谱特征与异常特征的关联规则、弛豫时间分布特征与异常特征的关联规则。
特征映射规律规则优选存储在存储器3中。
在一些实施例中，上位机2还包括远程用户界面22，远程用户界面22用于远程控制、接受和显示控制装置，并实现系统与用户的交互。
以上结合附图实施例对本发明进行了详细说明，本领域中普通技术人员可根据上述说明对本发明做出种种变化例。因而，实施例中的某些细节不应构成对本发明的限定，本发明将以所附权利要求书界定的范围作为保护范围。
Claims (14)
1.一种电池组异常识别诊断方法，其特征在于，包括：
S1，对包含异常电池单体的电池组进行测量，获取若干电池单体的电化学阻抗谱数据，对所述电化学阻抗谱数据进行弛豫时间分布分析，获取弛豫时间分布曲线；
S2，采用预先训练和测试后的机器学习算法对所述电化学阻抗谱数据和所述弛豫时间分布曲线进行异常识别诊断，识别出所述电池组中的异常电池单体；
当所述机器学习算法包含有监督的分类模型时，采用与步骤S1相同的测量方法，获取若干电池组中若干电池单体的电化学阻抗谱数据和弛豫时间分布曲线，形成初始数据集，对所述初始数据集进行标注后形成带标签数据集；通过带标签的数据集训练所述分类模型，以识别出异常电池单体及其异常模式；
在对所述初始数据集进行标注时，根据预设的特征映射规律规则，将所述电化学阻抗谱数据中的若干电化学阻抗谱特征与若干异常特征进行对应关联，将所述弛豫时间分布曲线中的若干弛豫时间分布特征与若干异常特征进行对应关联；
所述异常特征包括连接器松动异常、温度异常、老化状态异常、荷电状态异常升高和荷电状态异常降低中的至少一种；
所述电化学阻抗谱特征包括所述电化学阻抗谱数据中与横坐标交点对应的实部值、全频段阻抗小于预设第一最小值、全频段阻抗大于预设第一最大值、预设中低频阻抗小于预设第二最小值和预设中低频阻抗大于预设第二最大值中的至少一种；
所述弛豫时间分布特征包括所有时间常数的峰值高度变小、所有时间常数的峰值面积变小、所有时间常数的峰值高度变大、所有时间常数的峰值面积变大、预设中长时间范围的峰值高度变小、预设中长时间范围的峰值面积变小、预设中长时间范围的峰值高度变大和预设中长时间范围的峰值面积变大中的至少一种；
所述特征映射规律规则为：
若所述电化学阻抗谱数据中存在与横坐标交点对应的实部值，则将与横坐标交点对应的实部值与所述连接器松动异常进行对应关联；若存在全频段阻抗小于预设第一最小值，则将全频段阻抗小于预设第一最小值与所述温度异常对应关联；若存在全频段阻抗大于预设第一最大值，则将全频段阻抗大于预设第一最大值与所述老化状态异常对应关联；若存在预设中低频阻抗小于预设第二最小值，则将预设中低频阻抗小于预设第二最小值与所述荷电状态异常升高对应关联；若存在预设中低频阻抗大于预设第二最大值，则将预设中低频阻抗大于预设第二最大值与所述荷电状态异常降低对应关联；
若存在所有时间常数的峰值高度变小或所有时间常数的峰值面积变小，则将所有时间常数的峰值高度变小或所有时间常数的峰值面积变小与所述温度异常对应关联；若存在所有时间常数的峰值高度变大或所有时间常数的峰值面积变大，则将所有时间常数的峰值高度变大或所有时间常数的峰值面积变大与所述老化状态异常对应关联；若存在预设中长时间范围的峰值高度变小或预设中长时间范围的峰值面积变小，则将预设中长时间范围的峰值高度变小或预设中长时间范围的峰值面积变小与所述荷电状态异常升高对应关联；若存在预设中长时间范围的峰值高度变大或预设中长时间范围的峰值面积变大，则将预设中长时间范围的峰值高度变大或预设中长时间范围的峰值面积变大与所述荷电状态异常降低对应关联。
2.如权利要求1所述的电池组异常识别诊断方法，其特征在于，步骤S1中，获取若干电池单体的电化学阻抗谱数据时，测量所述电池单体在0.01Hz～1kHz频率范围内的电化学阻抗谱数据。
3.如权利要求2所述的电池组异常识别诊断方法，其特征在于，步骤S1中，获取若干电池单体的电化学阻抗谱数据时，测量频率设定为每十倍频程取十个频率。
4.如权利要求1所述的电池组异常识别诊断方法，其特征在于，所述机器学习算法包括非监督的聚类模型，通过所述聚类模型对所述电化学阻抗谱数据和所述弛豫时间分布曲线进行聚类，将异常电池单体和正常电池单体划分成若干个簇，以识别出所述电池组中的异常电池单体。
5.如权利要求4所述的电池组异常识别诊断方法，其特征在于，所述聚类模型采用仿射传播聚类模型。
6.如权利要求4所述的电池组异常识别诊断方法，其特征在于，所述机器学习算法还包括有监督的分类模型，当所述聚类模型的聚类结果为大于两个簇时，通过所述分类模型对所述电化学阻抗谱数据和所述弛豫时间分布曲线进行分类，识别出所述电池组中的异常电池单体及其异常模式。
7.如权利要求6所述的电池组异常识别诊断方法，其特征在于，所述分类模型采用极端梯度提升模型。
8.如权利要求1所述的电池组异常识别诊断方法，其特征在于，所述机器学习算法包括有监督的分类模型，通过所述分类模型对所述电化学阻抗谱数据和所述弛豫时间分布曲线进行分类，识别出所述电池组中的异常电池单体及其异常模式。
9.如权利要求8所述的电池组异常识别诊断方法，其特征在于，所述分类模型采用极端梯度提升模型。
10.如权利要求1所述的电池组异常识别诊断方法，其特征在于，所述电化学阻抗谱数据中与横坐标交点对应的实部值用300Hz～1kHz高频阻抗实部值代替，而不获取与实轴交点位置。
11.如权利要求10所述的电池组异常识别诊断方法，其特征在于，预设中低频范围是0.01Hz～100Hz。
12.如权利要求10所述的电池组异常识别诊断方法，其特征在于，预设中长时间范围是0.01s～100s。
13.一种电池组异常识别诊断系统，其特征在于，包括多通道的EIS测量系统和上位机；
所述多通道的EIS测量系统用于测量电池组中若干电池单体的电化学阻抗谱数据，所述多通道的EIS测量系统具有激励发生装置、信号测量装置和阻抗计算子模块；
所述上位机与所述多通道的EIS测量系统连接，所述多通道的EIS测量系统在所述上位机的控制下进行电化学阻抗谱数据的测量，所述上位机包括异常识别诊断模块，所述异常识别诊断模块用于执行权利要求1至12中任意一项所述的电池组异常识别诊断方法。
14.如权利要求13所述的电池组异常识别诊断系统，其特征在于，所述电池组异常识别诊断系统还包括存储器，所述存储器内存储有电化学阻抗谱数据和弛豫时间分布曲线的数据集，所述存储器连接所述上位机；
所述电池组异常识别诊断系统还包括特征映射规律规则，所述特征映射规律规则包含有电化学阻抗谱特征与异常特征的关联规则、弛豫时间分布特征与异常特征的关联规则。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310773438.2A CN116819377B (zh) | 2023-06-28 | 2023-06-28 | 电池组异常识别诊断方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310773438.2A CN116819377B (zh) | 2023-06-28 | 2023-06-28 | 电池组异常识别诊断方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116819377A CN116819377A (zh) | 2023-09-29 |
| CN116819377B true CN116819377B (zh) | 2024-05-07 |
Family
ID=88123653
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310773438.2A Active CN116819377B (zh) | 2023-06-28 | 2023-06-28 | 电池组异常识别诊断方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116819377B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118191658A (zh) * | 2024-05-16 | 2024-06-14 | 北京航空航天大学 | 多时间尺度融合的锂离子电池全生命周期热失控诊断方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105137362A (zh) * | 2015-10-19 | 2015-12-09 | 清华大学 | 一种电堆的无损在线检测和故障诊断方法 |
| JPWO2017179266A1 (ja) * | 2016-04-12 | 2018-09-06 | 株式会社村田製作所 | 解析装置、解析方法、製造方法、蓄電装置、蓄電システム、電子機器、電動車両および電力システム |
| DE102018216517A1 (de) * | 2018-09-26 | 2020-03-26 | Rheinisch-Westfälische Technische Hochschule (Rwth) Aachen | Verfahren und Vorrichtung zur Diagnose von Batteriezellen |
| CN112327172A (zh) * | 2020-11-30 | 2021-02-05 | 同济大学 | 一种基于弛豫时间分布的锂离子电池建模方法 |
| EP3848713A1 (en) * | 2018-07-23 | 2021-07-14 | National Institute for Materials Science | Analysis processing method using impedance spectrum data, impedance spectrum data analysis processing system, and impedance spectral analysis processing program |
| CN113484787A (zh) * | 2021-07-27 | 2021-10-08 | 上海理工大学 | 基于电化学阻抗谱的退役锂离子电池快速分选重组方法 |
| CN113608131A (zh) * | 2021-07-20 | 2021-11-05 | 西南交通大学 | 一种动态机车工况下pemfc电堆衰退性能检测方法 |
| CN114325433A (zh) * | 2021-12-03 | 2022-04-12 | 北京航空航天大学 | 基于电化学阻抗谱测试的锂离子电池故障检测方法和系统 |
| CN114720895A (zh) * | 2020-11-25 | 2022-07-08 | 德克萨斯仪器股份有限公司 | 电池阻抗谱测量 |
| WO2022171993A1 (en) * | 2021-02-09 | 2022-08-18 | Horiba Mira Limited | Power unit analysis |
| CN115425261A (zh) * | 2022-09-07 | 2022-12-02 | 浙大宁波理工学院 | 基于快速阻抗谱测量的质子交换膜燃料电池故障诊断方法 |
-
2023
- 2023-06-28 CN CN202310773438.2A patent/CN116819377B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105137362A (zh) * | 2015-10-19 | 2015-12-09 | 清华大学 | 一种电堆的无损在线检测和故障诊断方法 |
| JPWO2017179266A1 (ja) * | 2016-04-12 | 2018-09-06 | 株式会社村田製作所 | 解析装置、解析方法、製造方法、蓄電装置、蓄電システム、電子機器、電動車両および電力システム |
| EP3848713A1 (en) * | 2018-07-23 | 2021-07-14 | National Institute for Materials Science | Analysis processing method using impedance spectrum data, impedance spectrum data analysis processing system, and impedance spectral analysis processing program |
| DE102018216517A1 (de) * | 2018-09-26 | 2020-03-26 | Rheinisch-Westfälische Technische Hochschule (Rwth) Aachen | Verfahren und Vorrichtung zur Diagnose von Batteriezellen |
| CN114720895A (zh) * | 2020-11-25 | 2022-07-08 | 德克萨斯仪器股份有限公司 | 电池阻抗谱测量 |
| CN112327172A (zh) * | 2020-11-30 | 2021-02-05 | 同济大学 | 一种基于弛豫时间分布的锂离子电池建模方法 |
| WO2022171993A1 (en) * | 2021-02-09 | 2022-08-18 | Horiba Mira Limited | Power unit analysis |
| CN113608131A (zh) * | 2021-07-20 | 2021-11-05 | 西南交通大学 | 一种动态机车工况下pemfc电堆衰退性能检测方法 |
| CN113484787A (zh) * | 2021-07-27 | 2021-10-08 | 上海理工大学 | 基于电化学阻抗谱的退役锂离子电池快速分选重组方法 |
| CN114325433A (zh) * | 2021-12-03 | 2022-04-12 | 北京航空航天大学 | 基于电化学阻抗谱测试的锂离子电池故障检测方法和系统 |
| CN115425261A (zh) * | 2022-09-07 | 2022-12-02 | 浙大宁波理工学院 | 基于快速阻抗谱测量的质子交换膜燃料电池故障诊断方法 |
Non-Patent Citations (2)
| Title |
|---|
| Investigation of local sensitivity for vehicle-oriented fuel cell stacks based on electrochemical impedance spectroscopy;Zhao Lei 等;Journal | [J] Energy.;第262卷;正文第1-17页 * |
| 基于交流阻抗特性的锂离子电池析锂特征及安全性研究;胡广方;中国优秀硕士学位论文全文数据库 工程科技II辑;C035-1416 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116819377A (zh) | 2023-09-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111707951B (zh) | 一种电池组一致性评估方法及系统 | |
| KR102106775B1 (ko) | 딥러닝을 이용한 전지 진단 방법 | |
| CN107329088A (zh) | 电池的健康状态诊断装置和方法 | |
| US20230122362A1 (en) | Apparatus and methods for testing electrochemical systems | |
| US9207285B1 (en) | Automatic determination of multi-frequency baselines for battery testing | |
| CN104868180B (zh) | 单体电池配组方法及系统 | |
| CN106526488A (zh) | 串联式动力电池包内传感器故障诊断方法 | |
| CN116819377B (zh) | 电池组异常识别诊断方法和系统 | |
| JP2015094726A (ja) | 電池状態判定装置及び電池状態判定方法 | |
| JP2023525240A (ja) | 電池の容量測定装置及び方法、並びに該装置を含む電池制御システム | |
| CN115061049B (zh) | 一种数据中心ups电池故障快速检测方法及系统 | |
| Chang et al. | Micro-fault diagnosis of electric vehicle batteries based on the evolution of battery consistency relative position | |
| CN115616428A (zh) | 一种“充—检”一体电动汽车电池状态检测与评价方法 | |
| CN116819332A (zh) | 一种电池故障诊断方法、装置、介质及bms系统 | |
| CN116298929A (zh) | 一种电池组电芯一致性评估方法 | |
| CN111487553A (zh) | 一种电池单体一致性评价的方法及其装置 | |
| CN106599333B (zh) | 一种电源soh的估算方法 | |
| CN114325433A (zh) | 基于电化学阻抗谱测试的锂离子电池故障检测方法和系统 | |
| CN112147515B (zh) | 一种新能源车辆电池系统功率及内阻在线估算方法 | |
| CN107561452A (zh) | 一种蓄电池组健康度的评估方法 | |
| CN109784777B (zh) | 基于时序信息片段云相似度度量的电网设备状态评估方法 | |
| CN113204894B (zh) | 一种电能计量异常诊断模型的构建方法及应用 | |
| CN114879054A (zh) | 一种电池安全监测方法、装置、电子设备及存储介质 | |
| CN115219932A (zh) | 用于评价设备电池组的相对老化状态的方法和装置 | |
| CN113325317A (zh) | 基于改进rbf神经网络的动力电池故障诊断方法及系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |