CN117054916B - 动力电池的异常检测方法、系统及云端服务器 - Google Patents
动力电池的异常检测方法、系统及云端服务器 Download PDFInfo
- Publication number
- CN117054916B CN117054916B CN202310932455.6A CN202310932455A CN117054916B CN 117054916 B CN117054916 B CN 117054916B CN 202310932455 A CN202310932455 A CN 202310932455A CN 117054916 B CN117054916 B CN 117054916B
- Authority
- CN
- China
- Prior art keywords
- change rate
- battery
- temperature
- power battery
- single battery
- 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 67
- 238000001514 detection method Methods 0.000 title claims abstract description 55
- 230000008859 change Effects 0.000 claims abstract description 123
- 230000002159 abnormal effect Effects 0.000 claims abstract description 87
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000005070 sampling Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000007599 discharging Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 description 10
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 7
- 229910052782 aluminium Inorganic materials 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 6
- 238000003466 welding Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000007726 management method Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000012549 training 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]
- G01R31/392—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]
- G01R31/3644—Constructional arrangements
- G01R31/3648—Constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
-
- 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]
- G01R31/371—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] with remote indication, e.g. on external chargers
-
- 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
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Secondary Cells (AREA)
Abstract
本公开关于一种动力电池的异常检测方法、系统及云端服务器,其中,该方法包括:获取目标时间段内动力电池的参数数据;参数数据包括,动力电池中各个单体电池的电压数据序列和电流数据序列;针对动力电池中的每个单体电池,根据单体电池的电压数据序列和电流数据序列,确定各个频点上的电压变化率幅度和电流变化率幅度;进而确定单体电池在各个频点上电压变化率幅度和电流变化率幅度的幅度比值;根据各个单体电池在各个频点上的幅度比值,确定各个单体电池是否存在阻值异常,从而能够准确确定单体电池是否存在阻值异常,避免电压异常阈值或者电流异常阈值的人工定义,降低动力电池的异常检测成本,且提高异常检测效率。
Description
技术领域
本公开涉及动力电池技术领域,尤其涉及一种动力电池的异常检测方法、系统及云端服务器。
背景技术
目前的动力电池的异常检测方法主要为,确定动力电池中单体电池的阻值以及电池容量;人工定义阻值的异常阈值以及电池容量的异常阈值;通过比对,确定单体电池是否存在异常。
上述方案中,单体电池的阻值难以准确计算,且异常阈值人工定义,成本高,准确度难以保证。导致动力电池的异常检测成本高,且异常检测效率差。
发明内容
本公开提供一种动力电池的异常检测方法、系统及云端服务器。
根据本公开实施例的第一方面,提供一种动力电池的异常检测方法,应用于云端服务器,所述方法包括:获取目标时间段内动力电池的参数数据;所述参数数据包括,所述动力电池中各个单体电池的电压数据序列和电流数据序列;针对所述动力电池中的每个单体电池,根据所述单体电池的电压数据序列和电流数据序列,确定各个频点上的电压变化率幅度和电流变化率幅度;根据各个频点上的电压变化率幅度和电流变化率幅度,确定所述单体电池在各个频点上的幅度比值;所述幅度比值为频点上的电压变化率幅度和电流变化率幅度的比值;根据各个单体电池在各个频点上的幅度比值,确定各个单体电池是否存在阻值异常。
在本公开的一个实施例中,所述针对所述动力电池中的每个单体电池,根据所述单体电池的电压数据序列和电流数据序列,确定各个频点上的电压变化率幅度和电流变化率幅度,包括:针对所述动力电池中的每个单体电池,根据所述单体电池的电压数据序列和电流数据序列,确定所述单体电池的电压变化率序列和电流变化率序列;对所述单体电池的电压变化率序列进行频域转换处理,得到各个频点上的电压变化率幅度;对所述单体电池的电流变化率序列进行频域转换处理,得到各个频点上的电流变化率幅度。
在本公开的一个实施例中,所述根据各个单体电池在各个频点上的幅度比值,确定各个单体电池是否存在阻值异常,包括:根据各个单体电池在各个频点上的幅度比值,确定幅度比值阈值;针对所述动力电池中的每个单体电池,在所述单体电池存在大于所述幅度比值阈值的幅度比值的情况下,确定所述单体电池存在阻值异常。
在本公开的一个实施例中,所述根据各个单体电池在各个频点上的幅度比值,确定幅度比值阈值,包括:根据各个单体电池在各个频点上的幅度比值,确定上四分位幅度比值以及下四分位幅度比值;确定所述下四分位幅度比值与所述上四分位幅度比值之间的差值绝对值;将所述差值绝对值与预设系数的乘积结果,作为所述幅度比值阈值。
在本公开的一个实施例中,所述参数数据还包括,所述目标时间段内起始时间点上各个单体电池的起始荷电量、终止时间点上各个单体电池的终止荷电量、所述动力电池中各个温度采集点上的温度数据序列;所述方法还包括:将各个单体电池的电压数据序列和电流数据序列、各个温度采集点上的温度数据序列、各个单体电池的起始荷电量和终止荷电量,输入连接异常检测模型,获取所述连接异常检测模型输出的各个温度采集点的预测温度变化率;根据各个温度采集点的预测温度变化率,确定所述动力电池是否存在连接异常。
在本公开的一个实施例中,所述方法还包括:根据各个温度采集点上的温度数据序列,确定各个温度采集点的实际温度变化率;所述根据各个温度采集点的预测温度变化率,确定所述动力电池是否存在连接异常,包括:根据各个温度采集点的预测温度变化率以及实际温度变化率,确定所述动力电池中的单体电池或者电池包断路单元是否存在温度异常;在所述动力电池中的电池包断路单元存在温度异常的情况下,确定所述动力电池中的电池包断路单元存在内部连接异常;在所述动力电池中的第一单体电池存在温度异常,且所述第一单体电池存在阻值异常的情况下,确定所述动力电池存在单体电池间连接异常。
在本公开的一个实施例中,所述根据各个温度采集点的预测温度变化率以及实际温度变化率,确定所述动力电池中的单体电池或者电池包断路单元是否存在温度异常,包括:针对所述动力电池中的每个温度采集点,确定所述温度采集点的实际温度变化率与预测温度变化率的差值;确定所述差值与所述温度采集点的实际温度变化率的比值;在所述比值大于预设比值阈值的情况下,确定所述温度采集点附近的单体电池或者电池包断路单元存在温度异常。
在本公开的一个实施例中,所述根据各个温度采集点的预测温度变化率,确定所述动力电池是否存在连接异常,还包括:在所述动力电池中的第二单体电池存在温度异常,且所述第二单体电池不存在阻值异常的情况下,确定所述动力电池中的第二单体电池存在温度异常。
在本公开的一个实施例中,所述参数数据还包括,所述动力电池中各个温度采集点上的温度数据序列;所述方法还包括:根据各个温度采集点上的温度数据序列,确定各个温度采集点上的温度变化率序列;针对每个温度采集点,在所述温度采集点存在大于预设温度变化率阈值的温度变化率,且所述温度采集点附近的单体电池不存在阻值异常的情况下,确定所述动力电池存在低压连接异常。
在本公开的一个实施例中,所述方法还包括:确定是否获取到所述动力电池对应的电池管理系统BMS的内部温度采样异常信号或者内部电压采样异常信号;在获取到所述BMS的内部温度采样异常信号或者内部电压采样异常信号的情况下,确定所述动力电池存在低压连接异常。
在本公开的一个实施例中,所述目标时间段,为所述动力电池的充电时间段或者放电时间段。
根据本公开实施例的第二方面,还提供一种云端服务器,包括:处理器;用于存储所述处理器可执行指令的存储器;其中,所述处理器被配置为:实现如上所述的动力电池的异常检测方法的步骤。
根据本公开实施例的第三方面,还提供一种动力电池的异常检测系统,所述系统包括:云端服务器,以及设置有动力电池的车辆;所述云端服务器与所述车辆中的所述动力电池通信连接,用于执行如上所述的动力电池的异常检测方法。
根据本公开实施例的第四方面,还提供一种非临时性计算机可读存储介质,当所述存储介质中的指令由处理器执行时,使得处理器能够执行如上所述的动力电池的异常检测方法。
本公开的实施例提供的技术方案至少带来以下有益效果:
云端服务器,通过获取目标时间段内动力电池的参数数据;参数数据包括,动力电池中各个单体电池的电压数据序列和电流数据序列;针对动力电池中的每个单体电池,根据单体电池的电压数据序列和电流数据序列,确定各个频点上的电压变化率幅度和电流变化率幅度;根据各个频点上的电压变化率幅度和电流变化率幅度,确定单体电池在各个频点上的幅度比值;幅度比值为频点上的电压变化率幅度和电流变化率幅度的比值;根据各个单体电池在各个频点上的幅度比值,确定各个单体电池是否存在阻值异常,从而能够结合单体电池在各个频点上的电压变化率幅度以及电流变化率幅度的比值,准确确定单体电池是否存在阻值异常,避免电压异常阈值或者电流异常阈值的人工定义,降低动力电池的异常检测成本,且提高异常检测效率。
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和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理,并不构成对本公开的不当限定。
图1为本公开一个实施例的动力电池的异常检测方法的流程图;
图2为本公开另一个实施例的动力电池的异常检测方法的流程图;
图3为根据本公开一示例性实施例示出的一种云端服务器的结构框图。
具体实施方式
为了使本领域普通人员更好地理解本公开的技术方案,下面将结合附图,对本公开实施例中的技术方案进行清楚、完整地描述。
需要说明的是,本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
目前的动力电池的异常检测方法主要为,确定动力电池中单体电池的阻值以及电池容量;人工定义阻值的异常阈值以及电池容量的异常阈值;通过比对,确定单体电池是否存在异常。
上述方案中,单体电池的阻值难以准确计算,且异常阈值人工定义,成本高,准确度难以保证。导致动力电池的异常检测成本高,且异常检测效率差。
图1为本公开一个实施例的动力电池的异常检测方法的流程图。其中,需要说明的是,本实施例的动力电池的异常检测方法可应用于动力电池的异常检测装置,该装置可被配置于电子设备中,以使该电子设备可以执行动力电池的异常检测功能。
其中,电子设备可以为任一具有计算能力的设备,例如可以为服务器、平台等。其中,服务器例如可以为云端服务器。以下实施例中以执行主体为云端服务器为例进行说明。
其中,设置有动力电池的终端设备例如可以为,四轮车辆、两轮车辆、无人机、移动机器人等,可以根据实际需要进行设置。
如图1所示,该方法包括以下步骤:
步骤101,获取目标时间段内动力电池的参数数据;参数数据包括,动力电池中各个单体电池的电压数据序列和电流数据序列。
在本公开实施例中,目标时间段可以为当前时间点之前的历史时间段。其中,为了确保能够及时检测到动力电池中的异常情况,目标时间段与当前时间点之间的时间间隔的长度可以小于指定的时长阈值。其中,目标时间段的时长,例如2小时、3小时等,可以根据实际需要进行设定。
在本公开实施例中,单体电池的电压数据序列可以包括,目标时间段内各个时间点上单体电池的电压数值。单体电池的电流数据序列可以包括,目标时间段内各个时间点上单体电池的电流数值。其中,此处的时间点,可以为单体电池的电压采集时间点或者电流采集时间点。
在本公开实施例中,动力电池的参数数据中还可以包括以下数据中的至少一种:目标时间段内起始时间点上各个单体电池的起始荷电量、终止时间点上各个单体电池的终止荷电量、动力电池中各个温度采集点上的温度数据序列。
其中,动力电池中可以设置有多个温度采集点,温度采集点的位置以及数量不做限定。例如,可以在每个单体电池上设置有一个温度采集点,或者,在部分单体电池上设置温度采集点,或者,在电池包断路单元(Battery Disconnect Unit,BUD)上设置温度采集点等,可以根据实际需要进行设定。
步骤102,针对动力电池中的每个单体电池,根据单体电池的电压数据序列和电流数据序列,确定各个频点上的电压变化率幅度和电流变化率幅度。
在本公开实施例中,云端服务器执行步骤102的过程例如可以为,针对动力电池中的每个单体电池,根据单体电池的电压数据序列和电流数据序列,确定单体电池的电压变化率序列和电流变化率序列;对单体电池的电压变化率序列进行频域转换处理,得到各个频点上的电压变化率幅度;对单体电池的电流变化率序列进行频域转换处理,得到各个频点上的电流变化率幅度。
其中,电压变化率序列中的每个电压变化率,可以为目标时间段内相邻两个时间点上电压数值的差值;或者,可以为该差值与相邻两个时间点的时间间隔长度的比值。
步骤103,根据各个频点上的电压变化率幅度和电流变化率幅度,确定单体电池在各个频点上的幅度比值;幅度比值为频点上的电压变化率幅度和电流变化率幅度的比值。
步骤104,根据各个单体电池在各个频点上的幅度比值,确定各个单体电池是否存在阻值异常。
在本公开实施例中,云端服务器执行步骤104的过程例如可以为,根据各个单体电池在各个频点上的幅度比值,确定幅度比值阈值;针对动力电池中的每个单体电池,在单体电池存在大于幅度比值阈值的幅度比值的情况下,确定单体电池存在阻值异常。
其中,云端服务器确定幅度比值阈值的过程例如可以为,根据各个单体电池在各个频点上的幅度比值,确定上四分位幅度比值以及下四分位幅度比值;确定下四分位幅度比值与上四分位幅度比值之间的差值绝对值;将差值绝对值与预设系数的乘积结果,作为幅度比值阈值。
其中,云端服务器可以对各个单体电池在各个频点上的幅度比值进行降序排序处理,得到排序结果;将排序结果中排列在1/4位置上的幅度比值,作为下四分位幅度比值;将排序结果中排列在3/4位置上的幅度比值,作为上四分位幅度比值。
其中,若一个单体电池的某个幅度比值大于幅度比值阈值,则确定该单体电池在某个频点上的阻值变化比较剧烈,则认为该单体电池存在阻值异常。
在本公开实施例中,需要说明的是,检测单体电池是否存在阻值异常,参考数据可以包括,放电时间段内各个单体电池的电压数据序列和电流数据序列;或者,充电时间段内各个单体电池的电压数据序列和电流数据序列。其中,放电时间段内,单体电池的电压数据和电流数据变化较快,能够准确地确定单体电池是否存在阻值剧烈变化情况。而充电时间段内,单体电池的电压数据和电流数据比较稳定,难以准确地确定单体电池是否存在阻值剧烈变化情况。因此,为了准确确定单体电池是否存在阻值剧烈变化情况,是否存在阻值异常,可以基于放电时间段内各个单体电池的电压数据序列和电流数据序列,确定单体电池是否存在阻值异常。
在本公开实施例中,为了能够及时确定动力电池是否存在低压连接异常,参数数据还可以包括,动力电池中各个温度采集点上的温度数据序列。对应的,云端服务器还可以执行以下过程:根据各个温度采集点上的温度数据序列,确定各个温度采集点上的温度变化率序列;针对每个温度采集点,在温度采集点存在大于预设温度变化率阈值的温度变化率,且温度采集点附近的单体电池不存在阻值异常的情况下,确定动力电池存在低压连接异常。
另外,动力电池对应的电池管理系统(Battery Management System,BMS)可以对低压连接异常的部分原因进行预警处理,例如,内部温度采样异常信号、内部电压采样异常信号等。对应的,为了提高低压连接异常检测的全面性,云端服务器还可以执行以下过程:确定是否获取到动力电池对应的电池管理系统BMS的内部温度采样异常信号或者内部电压采样异常信号;在获取到BMS的内部温度采样异常信号或者内部电压采样异常信号的情况下,确定动力电池存在低压连接异常。
其中,低压连接异常,例如,单体电池与柔性电路板(Flexible Printed Circuit,FPC)焊接不良或者虚焊、单体电池与电池集成控制器(Battery Integrated Controlle,BIC)焊接不良或者虚焊、柔性电路板FPC与单体电池之间的复合母排焊接不良或者虚焊等。
本公开实施例的动力电池的异常检测方法中,通过获取目标时间段内动力电池的参数数据;参数数据包括,动力电池中各个单体电池的电压数据序列和电流数据序列;针对动力电池中的每个单体电池,根据单体电池的电压数据序列和电流数据序列,确定各个频点上的电压变化率幅度和电流变化率幅度;根据各个频点上的电压变化率幅度和电流变化率幅度,确定单体电池在各个频点上的幅度比值;幅度比值为频点上的电压变化率幅度和电流变化率幅度的比值;根据各个单体电池在各个频点上的幅度比值,确定各个单体电池是否存在阻值异常,从而能够结合单体电池在各个频点上的电压变化率幅度以及电流变化率幅度的比值,准确确定单体电池是否存在阻值异常,避免电压异常阈值或者电流异常阈值的人工定义,降低动力电池的异常检测成本,且提高异常检测效率。
图2为本公开另一个实施例的动力电池的异常检测方法的流程图。其中,需要说明的是,本实施例的动力电池的异常检测方法可应用于动力电池的异常检测装置,该装置可被配置于电子设备中,以使该电子设备可以执行动力电池的异常检测功能。
其中,电子设备可以为任一具有计算能力的设备,例如可以为服务器、平台等。其中,服务器例如可以为云端服务器。以下实施例中以执行主体为云端服务器为例进行说明。
其中,设置有动力电池的终端设备例如可以为,四轮车辆、两轮车辆、无人机、移动机器人等,可以根据实际需要进行设置。
如图2所示,该方法包括以下步骤:
步骤201,获取目标时间段内动力电池的参数数据;参数数据包括,动力电池中各个单体电池的电压数据序列和电流数据序列、目标时间段内起始时间点上各个单体电池的起始荷电量、终止时间点上各个单体电池的终止荷电量、动力电池中各个温度采集点上的温度数据序列。
步骤202,针对动力电池中的每个单体电池,根据单体电池的电压数据序列和电流数据序列,确定各个频点上的电压变化率幅度和电流变化率幅度。
步骤203,根据各个频点上的电压变化率幅度和电流变化率幅度,确定单体电池在各个频点上的幅度比值;幅度比值为频点上的电压变化率幅度和电流变化率幅度的比值。
步骤204,根据各个单体电池在各个频点上的幅度比值,确定各个单体电池是否存在阻值异常。
步骤205,将各个单体电池的电压数据序列和电流数据序列、各个温度采集点上的温度数据序列、各个单体电池的起始荷电量和终止荷电量,输入连接异常检测模型,获取连接异常检测模型输出的各个温度采集点的预测温度变化率。
在本公开实施例中,连接异常检测模型中的算法例如可以为以下任意一种:极限梯度提升算法(extreme gradient boosting,xgboost)、决策树、神经网络、支持向量回归、最小二乘回归等。其中,以xgboost算法的连接异常检测模型为例,模型的超参数可以包括以下至少一个:学习率、提升阶段树的最大迭代轮数、迭代停止条件、决策树的最大深度等。
其中,连接异常检测模型的训练数据,可以为动力电池正常工作时的参数数据,以及各个温度采集点的实际温度变化率。
步骤206,根据各个温度采集点的预测温度变化率,确定动力电池是否存在连接异常。
在本公开实施例中,云端服务器还可以执行以下过程:根据各个温度采集点上的温度数据序列,确定各个温度采集点的实际温度变化率。对应的,云端服务器执行步骤206的过程例如可以为,根据各个温度采集点的预测温度变化率以及实际温度变化率,确定动力电池中的单体电池或者电池包断路单元是否存在温度异常;在动力电池中的电池包断路单元存在温度异常的情况下,确定动力电池中的电池包断路单元(Battery DisconnectUnit,BDU)存在内部连接异常;在动力电池中的第一单体电池存在温度异常,且第一单体电池存在阻值异常的情况下,确定动力电池存在单体电池间连接异常。
其中,第一单体电池存在温度异常以及阻值异常的情况下,可能是第一单体电池与其他单体电池存在连接异常,例如,短路等。
其中,云端服务器确定动力电池中的单体电池或者电池包断路单元是否存在温度异常的过程例如可以为,针对动力电池中的每个温度采集点,确定温度采集点的实际温度变化率与预测温度变化率的差值;确定差值与温度采集点的实际温度变化率的比值;在比值大于预设比值阈值的情况下,确定温度采集点附近的单体电池或者电池包断路单元存在温度异常。
其中,单体电池间连接,可以指单体电池之间的铝排,以及铝排本身的连接。单体电池间连接异常,例如,铝排焊接不良、铝排电流过大熔断、铝排断路、铝排焊接点焊穿、铝排断路等。
另外,云端服务器还可以执行以下过程:在动力电池中的第二单体电池存在温度异常,且第二单体电池不存在阻值异常的情况下,确定动力电池中的第二单体电池存在温度异常。
本公开实施例的动力电池的异常检测方法中,通过获取目标时间段内动力电池的参数数据;参数数据包括,动力电池中各个单体电池的电压数据序列和电流数据序列、目标时间段内起始时间点上各个单体电池的起始荷电量、终止时间点上各个单体电池的终止荷电量、动力电池中各个温度采集点上的温度数据序列;针对动力电池中的每个单体电池,根据单体电池的电压数据序列和电流数据序列,确定各个频点上的电压变化率幅度和电流变化率幅度;根据各个频点上的电压变化率幅度和电流变化率幅度,确定单体电池在各个频点上的幅度比值;幅度比值为频点上的电压变化率幅度和电流变化率幅度的比值;根据各个单体电池在各个频点上的幅度比值,确定各个单体电池是否存在阻值异常;将各个单体电池的电压数据序列和电流数据序列、各个温度采集点上的温度数据序列、各个单体电池的起始荷电量和终止荷电量,输入连接异常检测模型,获取连接异常检测模型输出的各个温度采集点的预测温度变化率;根据各个温度采集点的预测温度变化率,确定动力电池是否存在连接异常;从而能够结合单体电池在各个频点上的电压变化率幅度以及电流变化率幅度的比值,准确确定单体电池是否存在阻值异常;且能够结合连接异常检测模型,确定动力电池是否存在连接异常,从而提高动力电池的异常检测效率。
根据本公开实施例的第二方面,还提供一种云端服务器,包括:处理器;用于存储处理器可执行指令的存储器,其中,处理器被配置为:实现如上所述的动力电池的异常检测方法。
根据本公开实施例的第三方面,还提供一种动力电池的异常检测系统,所述系统包括:云端服务器,以及设置有动力电池的车辆;所述云端服务器与所述车辆中的所述动力电池通信连接,用于执行如上所述的动力电池的异常检测方法。
为了实现上述实施例,本公开还提出了一种存储介质。
其中,当所述存储介质中的指令由处理器执行时,使得处理器能够执行如上所述的动力电池的异常检测方法。
为了实现上述实施例,本公开还提供一种计算机程序产品。
其中,该计算机程序产品由云端服务器的处理器执行时,使得云端服务器能够执行如上的方法。
图3为根据一示例性实施例示出的一种云端服务器的结构框图。图3示出的云端服务器仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图3所示,云端服务器1000包括处理器111,其可以根据存储在只读存储器(ROM,Read Only Memory)112中的程序或者从存储器116加载到随机访问存储器(RAM,RandomAccess Memory)113中的程序而执行各种适当的动作和处理。在RAM 113中,还存储有云端服务器1000操作所需的各种程序和数据。处理器111、ROM 112以及RAM 113通过总线114彼此相连。输入/输出(I/O,Input/Output)接口115也连接至总线114。
以下部件连接至I/O接口115:包括硬盘等的存储器116;以及包括诸如局域网(Local Area Network,LAN)卡、调制解调器等的网络接口卡的通信部分117,通信部分117经由诸如因特网的网络执行通信处理;驱动器118也根据需要连接至I/O接口115。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分117从网络上被下载和安装。在该计算机程序被处理器111执行时,执行本公开的方法中限定的上述功能。
在示例性实施例中,还提供了一种包括指令的存储介质,例如包括指令的存储器,上述指令可由云端服务器1000的处理器111执行以完成上述方法。可选地,存储介质可以是非临时性计算机可读存储介质,例如,非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
此外,在本文中使用词语“示例性的”以表示充当示例、实例、示图。在本文中被描述为“示例性的”任何方面或设计都不一定理解为与其他方面或设计相比是有利的。相反,使用词语示例性的旨在以具体的方式呈现概念。如在本文中所使用的,术语“或”旨在表示包括性的“或”而不是排他性的“或”。即,除非另外指定,或者从上下文中清楚,否则“X应用A或B”旨在表示自然的包括性排列中的任何一种排列。即,如果X应用A;X应用B;或者X应用A和B两者,则“X应用A或B”在前述实例中的任何一个实例下都满足。另外,除非另外指定或者从上下文中清楚指向单数形式,否则如在该申请和所附权利要求中所使用的冠词“一”和“一个”通常被理解为表示“一个或多个”。
同样,尽管已经关于一个或多个实现示出并描述了本公开,但是在阅读并理解了该说明书和附图之后,本领域技术人员将想到等同的变型和修改。本公开包括所有这样的修改和变型,并且仅由权利要求的范围来限制。特别关于由上文所描述的组件(例如,元件、资源等)执行的各种功能,除非另外指出,否则用于描述这样的组件的术语旨在对应于执行所描述的组件的具体功能的任何组件(功能上等价的),即使结构上不等价于所公开的结构。另外,尽管可以已经关于几个实现中的仅仅一个而公开了本公开的特定的特征,但是如可以是期望的并且有利于任何给定的或特定的应用的那样,这样的特征可以与其它实现的一个或多个其它特征相结合。此外,就在具体实施方式或者权利要求中所使用的“包括”、“拥有”、“具有”、“有”、或其变型而言,这样的术语旨在作为类似于术语“包含”的方式是包括性的。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、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公开的一般性原理并包括本公开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,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (11)
1.一种动力电池的异常检测方法,其特征在于,应用于云端服务器,所述方法包括:
获取目标时间段内动力电池的参数数据;所述参数数据包括,所述动力电池中各个单体电池的电压数据序列和电流数据序列;
针对所述动力电池中的每个单体电池,根据所述单体电池的电压数据序列和电流数据序列,确定各个频点上的电压变化率幅度和电流变化率幅度;
根据各个频点上的电压变化率幅度和电流变化率幅度,确定所述单体电池在各个频点上的幅度比值;所述幅度比值为频点上的电压变化率幅度和电流变化率幅度的比值;
根据各个单体电池在各个频点上的幅度比值,确定上四分位幅度比值以及下四分位幅度比值;
确定所述下四分位幅度比值与所述上四分位幅度比值之间的差值绝对值;
将所述差值绝对值与预设系数的乘积结果,作为幅度比值阈值;
针对所述动力电池中的每个单体电池,在所述单体电池存在大于所述幅度比值阈值的幅度比值的情况下,确定所述单体电池存在阻值异常。
2.根据权利要求1所述的方法,其特征在于,所述针对所述动力电池中的每个单体电池,根据所述单体电池的电压数据序列和电流数据序列,确定各个频点上的电压变化率幅度和电流变化率幅度,包括:
针对所述动力电池中的每个单体电池,根据所述单体电池的电压数据序列和电流数据序列,确定所述单体电池的电压变化率序列和电流变化率序列;
对所述单体电池的电压变化率序列进行频域转换处理,得到各个频点上的电压变化率幅度;
对所述单体电池的电流变化率序列进行频域转换处理,得到各个频点上的电流变化率幅度。
3.根据权利要求1所述的方法,其特征在于,所述参数数据还包括,所述目标时间段内起始时间点上各个单体电池的起始荷电量、终止时间点上各个单体电池的终止荷电量、所述动力电池中各个温度采集点上的温度数据序列;所述方法还包括:
将各个单体电池的电压数据序列和电流数据序列、各个温度采集点上的温度数据序列、各个单体电池的起始荷电量和终止荷电量,输入连接异常检测模型,获取所述连接异常检测模型输出的各个温度采集点的预测温度变化率;
根据各个温度采集点的预测温度变化率,确定所述动力电池是否存在连接异常。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:根据各个温度采集点上的温度数据序列,确定各个温度采集点的实际温度变化率;
所述根据各个温度采集点的预测温度变化率,确定所述动力电池是否存在连接异常,包括:
根据各个温度采集点的预测温度变化率以及实际温度变化率,确定所述动力电池中的单体电池或者电池包断路单元是否存在温度异常;
在所述动力电池中的电池包断路单元存在温度异常的情况下,确定所述动力电池中的电池包断路单元存在内部连接异常;
在所述动力电池中的第一单体电池存在温度异常,且所述第一单体电池存在阻值异常的情况下,确定所述动力电池存在单体电池间连接异常。
5.根据权利要求4所述的方法,其特征在于,所述根据各个温度采集点的预测温度变化率以及实际温度变化率,确定所述动力电池中的单体电池或者电池包断路单元是否存在温度异常,包括:
针对所述动力电池中的每个温度采集点,确定所述温度采集点的实际温度变化率与预测温度变化率的差值;
确定所述差值与所述温度采集点的实际温度变化率的比值;
在所述比值大于预设比值阈值的情况下,确定所述温度采集点附近的单体电池或者电池包断路单元存在温度异常。
6.根据权利要求4所述的方法,其特征在于,所述根据各个温度采集点的预测温度变化率,确定所述动力电池是否存在连接异常,还包括:
在所述动力电池中的第二单体电池存在温度异常,且所述第二单体电池不存在阻值异常的情况下,确定所述动力电池中的第二单体电池存在温度异常。
7.根据权利要求1所述的方法,其特征在于,所述参数数据还包括,所述动力电池中各个温度采集点上的温度数据序列;所述方法还包括:
根据各个温度采集点上的温度数据序列,确定各个温度采集点上的温度变化率序列;
针对每个温度采集点,在所述温度采集点存在大于预设温度变化率阈值的温度变化率,且所述温度采集点附近的单体电池不存在阻值异常的情况下,确定所述动力电池存在低压连接异常。
8.根据权利要求7所述的方法,其特征在于,所述方法还包括:
确定是否获取到所述动力电池对应的电池管理系统BMS的内部温度采样异常信号或者内部电压采样异常信号;
在获取到所述BMS的内部温度采样异常信号或者内部电压采样异常信号的情况下,确定所述动力电池存在低压连接异常。
9.根据权利要求1所述的方法,其特征在于,所述目标时间段,为所述动力电池的充电时间段或者放电时间段。
10.一种云端服务器,其特征在于,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为:
实现如权利要求1至9中任一项所述的动力电池的异常检测方法的步骤。
11.一种动力电池的异常检测系统,其特征在于,所述系统包括:
云端服务器,以及设置有动力电池的车辆;
所述云端服务器与所述车辆中的所述动力电池通信连接,用于执行如权利要求1至9中任一项所述的动力电池的异常检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310932455.6A CN117054916B (zh) | 2023-07-27 | 2023-07-27 | 动力电池的异常检测方法、系统及云端服务器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310932455.6A CN117054916B (zh) | 2023-07-27 | 2023-07-27 | 动力电池的异常检测方法、系统及云端服务器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117054916A CN117054916A (zh) | 2023-11-14 |
CN117054916B true CN117054916B (zh) | 2024-06-11 |
Family
ID=88661733
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310932455.6A Active CN117054916B (zh) | 2023-07-27 | 2023-07-27 | 动力电池的异常检测方法、系统及云端服务器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117054916B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103296940A (zh) * | 2013-05-10 | 2013-09-11 | 乐金电子研发中心(上海)有限公司 | 一种自适应pi控制方法与系统 |
JP2018185209A (ja) * | 2017-04-25 | 2018-11-22 | 株式会社デンソー | 蓄電装置 |
CN112782587A (zh) * | 2020-12-24 | 2021-05-11 | 金龙联合汽车工业(苏州)有限公司 | 一种动力电池单体异常变化检测方法及系统 |
CN113064089A (zh) * | 2021-03-10 | 2021-07-02 | 北京车和家信息技术有限公司 | 动力电池的内阻检测方法、装置、介质以及系统 |
WO2021169486A1 (zh) * | 2020-02-24 | 2021-09-02 | 上海蔚来汽车有限公司 | 基于充电过程监控电池阻抗异常的方法、系统以及装置 |
CN114148216A (zh) * | 2021-12-31 | 2022-03-08 | 中国第一汽车股份有限公司 | 电池自放电率异常检测方法、系统、设备及存储介质 |
CN114300763A (zh) * | 2021-12-06 | 2022-04-08 | 华人运通(江苏)技术有限公司 | 基于车云协调的电池内阻异常监测方法、设备及存储介质 |
CN114464906A (zh) * | 2022-02-10 | 2022-05-10 | 重庆金康动力新能源有限公司 | 动力电池预警方法和装置 |
CN115166555A (zh) * | 2022-08-03 | 2022-10-11 | 合肥国轩高科动力能源有限公司 | 一种电池大数据平台电池模块内阻异常识别方法及系统 |
CN116068441A (zh) * | 2021-10-29 | 2023-05-05 | 北汽福田汽车股份有限公司 | 动力电池内短路预警方法、装置及车辆 |
CN116298994A (zh) * | 2023-01-16 | 2023-06-23 | 大连中比动力电池有限公司 | 异常电池筛选方法、装置、设备及可读存储介质 |
CN116298993A (zh) * | 2022-12-26 | 2023-06-23 | 华人运通(山东)科技有限公司 | 一种电芯内阻异常识别方法、装置及终端设备 |
CN116442786A (zh) * | 2023-05-30 | 2023-07-18 | 深蓝汽车科技有限公司 | 动力电池压差异常的识别方法、装置、服务器及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102066703B1 (ko) * | 2017-01-24 | 2020-01-15 | 주식회사 엘지화학 | 배터리 관리 장치 및 방법 |
-
2023
- 2023-07-27 CN CN202310932455.6A patent/CN117054916B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103296940A (zh) * | 2013-05-10 | 2013-09-11 | 乐金电子研发中心(上海)有限公司 | 一种自适应pi控制方法与系统 |
JP2018185209A (ja) * | 2017-04-25 | 2018-11-22 | 株式会社デンソー | 蓄電装置 |
WO2021169486A1 (zh) * | 2020-02-24 | 2021-09-02 | 上海蔚来汽车有限公司 | 基于充电过程监控电池阻抗异常的方法、系统以及装置 |
CN112782587A (zh) * | 2020-12-24 | 2021-05-11 | 金龙联合汽车工业(苏州)有限公司 | 一种动力电池单体异常变化检测方法及系统 |
CN113064089A (zh) * | 2021-03-10 | 2021-07-02 | 北京车和家信息技术有限公司 | 动力电池的内阻检测方法、装置、介质以及系统 |
CN116068441A (zh) * | 2021-10-29 | 2023-05-05 | 北汽福田汽车股份有限公司 | 动力电池内短路预警方法、装置及车辆 |
CN114300763A (zh) * | 2021-12-06 | 2022-04-08 | 华人运通(江苏)技术有限公司 | 基于车云协调的电池内阻异常监测方法、设备及存储介质 |
CN114148216A (zh) * | 2021-12-31 | 2022-03-08 | 中国第一汽车股份有限公司 | 电池自放电率异常检测方法、系统、设备及存储介质 |
CN114464906A (zh) * | 2022-02-10 | 2022-05-10 | 重庆金康动力新能源有限公司 | 动力电池预警方法和装置 |
CN115166555A (zh) * | 2022-08-03 | 2022-10-11 | 合肥国轩高科动力能源有限公司 | 一种电池大数据平台电池模块内阻异常识别方法及系统 |
CN116298993A (zh) * | 2022-12-26 | 2023-06-23 | 华人运通(山东)科技有限公司 | 一种电芯内阻异常识别方法、装置及终端设备 |
CN116298994A (zh) * | 2023-01-16 | 2023-06-23 | 大连中比动力电池有限公司 | 异常电池筛选方法、装置、设备及可读存储介质 |
CN116442786A (zh) * | 2023-05-30 | 2023-07-18 | 深蓝汽车科技有限公司 | 动力电池压差异常的识别方法、装置、服务器及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117054916A (zh) | 2023-11-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112531850B (zh) | 电池组均衡控制方法、装置、设备和介质 | |
CN109001640B (zh) | 一种动力电池的数据处理方法和装置 | |
CN110011374B (zh) | 一种电池充放电电流的控制方法、系统及终端设备 | |
CN110609232B (zh) | 一种锂离子电池soc估计方法、装置及终端设备 | |
CN107632272A (zh) | 一种基于电芯内部温度预测的动力电池放电荷电状态精确估计方法 | |
Alfi et al. | Hybrid state of charge estimation for lithium‐ion batteries: design and implementation | |
CN109768340B (zh) | 一种电池放电过程电压不一致性估计方法及装置 | |
CN109800446B (zh) | 一种锂离子电池放电过程电压不一致性估计方法及装置 | |
CN114970332B (zh) | 基于混沌量子麻雀搜索算法的锂电池模型参数辨识方法 | |
CN113777510A (zh) | 一种锂电池荷电状态估计方法及装置 | |
CN115421050A (zh) | 一种电池健康状态的估计方法、系统、设备及存储介质 | |
Vilsen et al. | Log-linear model for predicting the lithium-ion battery age based on resistance extraction from dynamic aging profiles | |
CN117054916B (zh) | 动力电池的异常检测方法、系统及云端服务器 | |
Xu et al. | A novel Drosophila‐back propagation method for the lithium‐ion battery state of charge estimation adaptive to complex working conditions | |
CN113884915A (zh) | 用于锂离子电池荷电状态和健康状态预测的方法及系统 | |
CN117289167A (zh) | 基于多重神经网络的电池剩余寿命预测方法、装置及介质 | |
CN117074955A (zh) | 一种基于云-端修正ocv的锂电池状态联合估计方法 | |
CN116461355A (zh) | 一种锂离子动力电池智能充电方法 | |
CN110571825A (zh) | 一种静止同步补偿器模型参数辨识方法及系统 | |
CN115542168A (zh) | 基于融合数据驱动模型的锂电池剩余使用寿命预测方法 | |
CN113125965B (zh) | 电池析锂检测方法、装置、设备及存储介质 | |
CN111144420B (zh) | 基于小样本的电塔缺陷监测方法及系统 | |
Li et al. | Battery State of Charge Probabilistic Estimation Using Natural Gradient Boosting | |
CN113900028A (zh) | 一种考虑充放电路径的电池健康状态估计方法 | |
CN111723454A (zh) | 一种二阶pngv模型参数的在线生成方法、装置和计算机设备 |
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 |