CN117067920B - 动力电池的故障检测方法、装置、电子设备及电动汽车 - Google Patents
动力电池的故障检测方法、装置、电子设备及电动汽车 Download PDFInfo
- Publication number
- CN117067920B CN117067920B CN202311345278.8A CN202311345278A CN117067920B CN 117067920 B CN117067920 B CN 117067920B CN 202311345278 A CN202311345278 A CN 202311345278A CN 117067920 B CN117067920 B CN 117067920B
- Authority
- CN
- China
- Prior art keywords
- electric automobile
- power battery
- fault
- current electric
- target
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 claims abstract description 42
- 238000005070 sampling Methods 0.000 claims abstract description 23
- 238000004422 calculation algorithm Methods 0.000 claims description 77
- 238000000605 extraction Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 238000000354 decomposition reaction Methods 0.000 claims description 8
- 208000032953 Device battery issue Diseases 0.000 claims description 7
- 230000001960 triggered effect Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 239000013598 vector Substances 0.000 description 21
- 230000008569 process Effects 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 239000000178 monomer Substances 0.000 description 9
- 238000013507 mapping Methods 0.000 description 6
- 238000012216 screening Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000007599 discharging Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
- B60L3/0023—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train
- B60L3/0046—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train relating to electric energy storage systems, e.g. batteries or capacitors
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
- B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Secondary Cells (AREA)
Abstract
本发明涉及动力电池技术领域，特别涉及动力电池的故障检测方法、装置、电子设备及电动汽车。其中，该方法包括：对每个电动汽车的原始动力电池数据进行采样故障的剔除，得到目标动力电池数据；对目标动力电池数据进行特征提取，得到每个电动汽车中每个动力电池在不同特征维度的目标特征值；将每个电动汽车中每个动力电池在不同特征维度的目标特征值输入到预先训练好的故障检测模型中，以确定每个电动汽车发生故障的动力电池编号；基于当前电动汽车发生故障的动力电池编号和当前电动汽车中每个动力电池在不同特征维度的目标特征值，确定当前电动汽车的预测故障等级。本发明的方案能够减少动力电池的误报和漏报。
Description
技术领域
本发明涉及动力电池技术领域，特别涉及动力电池的故障检测方法、装置、电子设备及电动汽车。
背景技术
动力电池是电动车辆的关键部分之一，其故障风险直接影响着整个车辆的安全和可靠性，因此动力电池的故障检测变得愈发重要。
相关技术中，通常采用阈值检测的方法，即如果一个电池单体的电池参数（例如电压、电流、温度等）超出预设的阈值时，则表明该电池单体出现故障。然而，当动力电池在全生命周期的使用过程中，阈值通常会随之改变，因此该方法可能会造成较多误报和漏报。
因此，目前亟待需要动力电池的故障检测方法、装置、电子设备及电动汽车来解决上述技术问题。
发明内容
本发明实施例提供了动力电池的故障检测方法、装置、电子设备及电动汽车，能够减少动力电池的误报和漏报。
第一方面，本发明实施例提供了一种动力电池的故障检测方法，包括：
对由各车载BMS采集的每个电动汽车的原始动力电池数据进行采样故障的剔除，得到各电动汽车的目标动力电池数据；其中，所述动力电池数据包括电压数据、电流数据、温度数据和时间数据；
对每个电动汽车的目标动力电池数据进行特征提取，得到每个电动汽车中每个动力电池在不同特征维度的目标特征值；
将每个电动汽车中每个动力电池在不同特征维度的目标特征值输入到预先训练好的第二故障检测模型中，以确定每个电动汽车发生故障的动力电池编号；其中，所述第二故障检测模型包括孤立森林算法、基于距离的第一无监督学习算法和基于密度的第二无监督学习算法；
针对动力电池发生故障的每个电动汽车，基于当前电动汽车发生故障的动力电池编号和当前电动汽车中每个动力电池在不同特征维度的目标特征值，确定当前电动汽车的预测故障等级。
第二方面，本发明实施例提供了一种动力电池的故障检测装置，包括：
故障剔除模块，用于对由各车载BMS采集的每个电动汽车的原始动力电池数据进行采样故障的剔除，得到各电动汽车的目标动力电池数据；其中，所述动力电池数据包括电压数据、电流数据、温度数据和时间数据；
特征提取模块，用于对每个电动汽车的目标动力电池数据进行特征提取，得到每个电动汽车中每个动力电池在不同特征维度的目标特征值；
第二检测模块，用于将每个电动汽车中每个动力电池在不同特征维度的目标特征值输入到预先训练好的第二故障检测模型中，以确定每个电动汽车发生故障的动力电池编号；其中，所述第二故障检测模型包括孤立森林算法、基于距离的第一无监督学习算法和基于密度的第二无监督学习算法；
故障预测模块，用于针对动力电池发生故障的每个电动汽车，基于当前电动汽车发生故障的动力电池编号和当前电动汽车中每个动力电池在不同特征维度的目标特征值，确定当前电动汽车的预测故障等级。
第三方面，本发明实施例还提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现本发明任一实施例所述的方法。
第四方面，本发明实施例还提供了一种电动汽车，包括本发明上述实施例所述的电子设备。
本发明实施例提供了动力电池的故障检测方法、装置、电子设备及电动汽车，首先通过对由各车载BMS采集的每个电动汽车的原始动力电池数据进行采样故障的剔除，这样就可以避免因采样故障导致的误报警；然后对每个电动汽车的目标动力电池数据进行特征提取，并将每个电动汽车中每个动力电池在不同特征维度的目标特征值输入到预先训练好的第二故障检测模型中，这样可以在保证查全率的前提下有效降低模型的误报率；最后基于当前电动汽车发生故障的动力电池编号和当前电动汽车中每个动力电池在不同特征维度的目标特征值，确定当前电动汽车的预测故障等级。因此，上述技术方案可以减少动力电池的误报和漏报。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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是本发明实施例提供的一种动力电池的故障检测方法流程图；
图2是本发明实施例提供的一种电子设备的硬件架构图；
图3是本发明实施例提供的一种动力电池的故障检测装置结构图；
图4是本发明实施例提供的一种动力电池在其中一个特征维度的基本信度分配曲线图。
具体实施方式
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的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。
请参考图1，本发明实施例提供了一种动力电池的故障检测方法，包括：
步骤100：对由各车载BMS采集的每个电动汽车的原始动力电池数据进行采样故障的剔除，得到各电动汽车的目标动力电池数据；其中，动力电池数据包括电压数据、电流数据、温度数据和时间数据；
步骤102：对每个电动汽车的目标动力电池数据进行特征提取，得到每个电动汽车中每个动力电池在不同特征维度的目标特征值；
步骤104：将每个电动汽车中每个动力电池在不同特征维度的目标特征值输入到预先训练好的第二故障检测模型中，以确定每个电动汽车发生故障的动力电池编号；其中，第二故障检测模型包括孤立森林算法、基于距离的第一无监督学习算法和基于密度的第二无监督学习算法；
步骤106：针对动力电池发生故障的每个电动汽车，基于当前电动汽车发生故障的动力电池编号和当前电动汽车中每个动力电池在不同特征维度的目标特征值，确定当前电动汽车的预测故障等级。
本发明实施例中，首先通过对由各车载BMS采集的每个电动汽车的原始动力电池数据进行采样故障的剔除，这样就可以避免因采样故障导致的误报警；然后对每个电动汽车的目标动力电池数据进行特征提取，并将每个电动汽车中每个动力电池在不同特征维度的目标特征值输入到预先训练好的第二故障检测模型中，这样可以在保证查全率的前提下有效降低模型的误报率；最后基于当前电动汽车发生故障的动力电池编号和当前电动汽车中每个动力电池在不同特征维度的目标特征值，确定当前电动汽车的预测故障等级。因此，上述技术方案可以减少动力电池的误报和漏报。
下面针对各步骤依次进行介绍。
针对步骤100：
在一些实施方式中，各车载BMS（Battery Management System，电池管理系统）采集的每个电动汽车的原始动力电池数据通过T-BOX（Telematics Box，远程通信终端）会上传到云平台（即远程监控平台），云平台会对这些原始动力电池数据进行读取、清洗和存储，读取的上传电池数据结构可以按照国标32960格式整理并存储。
在一些实施方式中，采样故障的剔除可以通过如下方式实现：对云平台收集到的某一时间段内的所有动力电池的电压数据进行差分处理；计算每个采样时刻电压差分数据的Z分数，识别出电池单体Z分数大于预设阈值的电压数据；对于电池单体Z分数大于预设阈值的电池单体电压数据，计算单体电压数据与每一时刻的平均电压的差值，并判断差值是否大于预设阈值；若差值大于阈值，则被判断为离群单体数据；对于被判断为离群单体的数据，判断离群程度最高的两个电池单体号是否相邻；对于判断为相邻单体出现离群的数据，判断其电压差分数据是否对称或近似对称分布；若是对称或近似对称分布，则判断相邻电池单体出现采样异常。
针对步骤102：
在本发明一个实施例中，特征维度包括如下中的至少一种：内阻、开路电压、容量增量曲线、微分容量曲线、充电电流差、充电电压差、充电电压奇异值分解、充电截止电压、放电电流差、放电电压差和放电电压奇异值分解。
需要说明的是，一些特征维度的目标特征值可以为一个，也可以为多个，例如内阻、开路电压、充电电流差、充电电压差、充电截止电压、放电电流差、放电电压差的目标特征值为一个，充电电压奇异值分解和放电电压奇异值分解的目标特征值为多个。
此外，对每个电动汽车的目标动力电池数据进行特征提取的具体方式已为本领域技术人员所熟知，在此对特征提取的具体方式不进行赘述。
在本发明一个实施例中，在步骤100和102之间，上述方法具体还可以包括：
将每个电动汽车的目标动力电池数据输入到预先训练好的第一故障检测模型中，筛选得到疑似故障的电动汽车；
步骤102具体可以包括：
对每个疑似故障的电动汽车的目标动力电池数据进行特征提取，得到每个疑似故障的电动汽车中每个动力电池在不同特征维度的目标特征值。
在本实施例中，先利用第一故障检测模型对每个电动汽车的目标动力电池数据进行预检测，可以快速粗筛得到疑似故障的电动汽车，从而可以有效提高第二故障检测模型的检测效率。
在本发明一个实施例中，第一故障检测模型包括依次连接的编码器、采样层和解码器，编码器用于将输入序列数据转化为第一潜在向量，采样层用于将第一潜在向量映射到一个高斯分布并从高斯分布中采样出第二潜在向量，解码器用于将第二潜在向量转化为输出序列数据，输入序列数据和输出序列数据为相同类型的连续向量。
在本实施例中，第一故障检测模型通过学习输入序列数据的高斯分布来生成新的数据（即输出序列数据），这样可以使输出序列数据更加连续和多样化。
在本发明一个实施例中，损失函数采用如下公式：
式中，L为损失函数，为每次训练过程采样层映射得到的高斯分布的均值，/>为每次训练过程采样层映射得到的高斯分布的方差，/>为输出序列数据中第i个向量，x i 为输入序列数据中第i个向量，n为输入序列数据和输出序列数据中向量的个数。
在本实施例中，损失函数包括两项，第一项用于使得编码器生成的第一潜在向量尽可能符合高斯分布，第二项用于使得第一故障检测模型的输入序列数据和输出序列数据尽可能相似。
针对步骤104：
由于第二故障检测模型包括孤立森林算法、基于距离的第一无监督学习算法和基于密度的第二无监督学习算法，这样就可以保证第二故障检测模型的异常检测原理涉及三个方面（即基于树、基于距离和基于密度），从而可以在保证查全率的前提下有效降低模型的误报率。
在本发明一个实施例中，第一无监督学习算法为K-means算法或Canopy 算法；
第二无监督学习算法为DBSCAN算法、OPTICS算法或DENCLUE算法。
可以理解的是，K-means算法、Canopy 算法、DBSCAN算法、OPTICS算法和DENCLUE算法均已为本领域技术人员所熟知，在此对其不进行赘述。
在本发明一个实施例中，步骤104具体可以包括：
将每个电动汽车中每个动力电池在不同特征维度的目标特征值输入到预先训练好的孤立森林算法、基于距离的第一无监督学习算法和基于密度的第二无监督学习算法中，确定每种算法中各动力电池存在离群点的特征维度个数；
针对每种算法，如果当前算法中存在离群点的特征维度个数超过特征维度总个数的预设比例，则将当前动力电池确定为疑似故障动力电池；
对三种算法中确定的所有疑似故障动力电池进行取交集运算，以确定每个电动汽车发生故障的动力电池编号。
在本实施例中，通过设置包括三种算法的第二故障检测模型，可以分别筛选出三种算法各自输出的电动汽车的疑似故障动力电池，然后通过对三种算法中确定的所有疑似故障动力电池进行取交集运算，这样就可以准确有效地筛选出每个电动汽车中真正发生故障的动力电池编号，即在保证查全率的前提下可有效降低模型的误报率。
在一些实施方式中，预设比例可以根据具体情形进行适应性调整，在此对其不进行限定。
针对步骤106：
如图4所示，在本发明一个实施例中，步骤106具体可以包括：
针对动力电池发生故障的每个电动汽车，均执行如下操作：
计算当前电动汽车中所有动力电池在各特征维度的目标特征值的形心，以计算各目标特征值到该形心的欧氏距离；
基于计算得到的所有目标特征值到该形心的欧氏距离，确定各特征维度的所有目标特征值的均值（即图4中的）和标准差（即图4中的/>）；
基于预设的信度分配下限（例如图4中的0.1）和信度分配上限（例如图4中的0.8）以及所有目标特征值的均值和标准差，拟合得到各特征维度的支持正常的第一信度分配曲线（即图4中的m（N））、支持异常的第二信度分配曲线（即图4中的m（A））和支持未知的第三信度分配曲线（即图4中的m（{N，A}））；
基于当前电动汽车发生故障的动力电池编号以及在不同特征维度的第一信度分配曲线、第二信度分配曲线和第三信度分配曲线，确定当前电动汽车的预测故障等级。
在本实施例中，通过计算当前电动汽车中所有动力电池在各特征维度的目标特征值的形心，并计算各目标特征值到该形心的欧氏距离，这样可以对所有动力电池在各特征维度的目标特征值进行偏离数学期望的统计，即确定各特征维度的所有目标特征值的均值和标准差，从而可以得到当前电动汽车中所有动力电池在各特征维度的所有目标特征值的高斯分布曲线（即第三信度分配曲线）；然后再通过数据拟合，就可以拟合出第一信度分配曲线和第二信度分配曲线；最后根据当前电动汽车发生故障的动力电池编号，就可以得到与该动力电池编号对应的信度值，进而可以确定当前电动汽车的预测故障等级。
请继续参阅图4，在本发明一个实施例中，步骤“基于当前电动汽车发生故障的动力电池编号以及在不同特征维度的第一信度分配曲线、第二信度分配曲线和第三信度分配曲线，确定当前电动汽车的预测故障等级”具体可以包括：
基于当前电动汽车发生故障的动力电池编号以及在不同特征维度的第一信度分配曲线、第二信度分配曲线和第三信度分配曲线，确定当前电动汽车在不同特征维度的第一信度值、第二信度值和第三信度值（即发生故障的动力电池编号所对应的当前电动汽车在不同特征维度的第一信度值、第二信度值和第三信度值）；
基于当前电动汽车在不同特征维度的第一信度值、第二信度值和第三信度值，确定当前电动汽车的故障概率上限；
基于当前电动汽车的故障概率上限，确定当前电动汽车的预测故障等级。
需要说明的是，当前电动汽车的故障概率上限可以是通过设置一个自定义公式，将当前电动汽车在不同特征维度的第一信度值、第二信度值和第三信度值输入到该自定义公式中得到，在此对该自定义公式不进行限定。
可以理解的是，上述确定当前电动汽车的预测故障等级的过程是一个基于当前数据对未来形势进行预测的过程，在实际应用中，可以预测未来半小时至一小时的电动汽车的故障等级。但是，该方法需要借助云平台，即车端算力可能不够，当然车端也可以执行上述方法，在此不进行具体限定。
在本发明一个实施例中，在得到各电动汽车的目标动力电池数据之后，还包括：
针对每个电动汽车，均执行如下操作：
基于当前电动汽车的目标动力电池数据和预设的报警规则，确定当前电动汽车触发的所有报警类型；其中，报警规则包括多个报警类型和阈值判别规则，至少一个报警类型包括至少两个针对不同电池数据类型的阈值判别规则，电池数据类型包括电压、电流和温度，每个报警类型均赋予有预设权重；
基于当前电动汽车触发的所有报警类型的权重之和，确定当前电动汽车的实时故障等级。
在本实施例中，通过设置复合阈值的判断方式，可以在车端实时对当前电动汽车进行故障等级的检测。
在一些实施方式中，报警类型包括但不限于SOC虚高报警、SOC过低报警、相邻单体采集异常、温差过大报警、绝缘阻值报警、单体一致性报警、静态压差报警、单体过压报警、单体欠压报警、单体过温报警、电压异常报警。
在一些实施方式中，例如相邻单体采集异常的阈值判别规则为：ΔV＞0.3V、且相邻单体压差≥95%ΔV、且平均值小于等于其它单体平均±0.05V。
综上所述，本发明实施例提出的技术方案中建立了基于数据重构比对的粗筛算法（即第一故障检测模型）、基于特征提取的精筛算法（即第二故障检测模型）和复合阈值算法（即实时故障等级的检测算法）三道屏障，实现了云平台对所有在线电动汽车的全部监控和重点筛查，仅需简单训练和有限参数调整即可实现电池预警算法在车辆、储能等领域的应用，有效提升了算法的查全率并降低误报，能够实现至少提前半小时热失控预警。
如图2、图3所示，本发明实施例提供了一种动力电池的故障检测装置。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。从硬件层面而言，如图2所示，为本发明实施例提供的一种动力电池的故障检测装置所在电子设备的一种硬件架构图，除了图2所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的电子设备通常还可以包括其他硬件，如负责处理报文的转发芯片等等。以软件实现为例，如图3所示，作为一个逻辑意义上的装置，是通过其所在电子设备的CPU将非易失性存储器中对应的计算机程序读取到内存中运行形成的。
如图3所示，本实施例提供的一种动力电池的故障检测装置，包括：
故障剔除模块300，用于对由各车载BMS采集的每个电动汽车的原始动力电池数据进行采样故障的剔除，得到各电动汽车的目标动力电池数据；其中，所述动力电池数据包括电压数据、电流数据、温度数据和时间数据；
特征提取模块302，用于对每个电动汽车的目标动力电池数据进行特征提取，得到每个电动汽车中每个动力电池在不同特征维度的目标特征值；
第二检测模块304，用于将每个电动汽车中每个动力电池在不同特征维度的目标特征值输入到预先训练好的第二故障检测模型中，以确定每个电动汽车发生故障的动力电池编号；其中，所述第二故障检测模型包括孤立森林算法、基于距离的第一无监督学习算法和基于密度的第二无监督学习算法；
故障预测模块306，用于针对动力电池发生故障的每个电动汽车，基于当前电动汽车发生故障的动力电池编号和当前电动汽车中每个动力电池在不同特征维度的目标特征值，确定当前电动汽车的预测故障等级。
在本发明实施例中，故障剔除模块300可用于执行上述方法实施例中的步骤100，特征提取模块302可用于执行上述方法实施例中的步骤102，第二检测模块304可用于执行上述方法实施例中的步骤104，故障预测模块306可用于执行上述方法实施例中的步骤106。
在本发明的一个实施例中，所述特征维度包括如下中的至少一种：内阻、开路电压、容量增量曲线、微分容量曲线、充电电流差、充电电压差、充电电压奇异值分解、充电截止电压、放电电流差、放电电压差和放电电压奇异值分解。
在本发明的一个实施例中，所述第一无监督学习算法为K-means算法或Canopy 算法：
所述第二无监督学习算法为DBSCAN算法、OPTICS算法或DENCLUE算法。
在本发明的一个实施例中，所述第二检测模块，用于执行如下操作：
将每个电动汽车中每个动力电池在不同特征维度的目标特征值输入到预先训练好的孤立森林算法、基于距离的第一无监督学习算法和基于密度的第二无监督学习算法中，确定每种算法中各动力电池存在离群点的特征维度个数；
针对每种算法，如果当前算法中存在离群点的特征维度个数超过特征维度总个数的预设比例，则将当前动力电池确定为疑似故障动力电池；
对三种算法中确定的所有疑似故障动力电池进行取交集运算，以确定每个电动汽车发生故障的动力电池编号。
在本发明的一个实施例中，所述故障预测模块，用于执行如下操作：
针对动力电池发生故障的每个电动汽车，均执行如下操作：
计算当前电动汽车中所有动力电池在各特征维度的目标特征值的形心，以计算各目标特征值到该形心的欧氏距离；
基于计算得到的所有目标特征值到该形心的欧氏距离，确定各特征维度的所有目标特征值的均值和标准差；
基于预设的信度分配下限和信度分配上限以及所有目标特征值的均值和标准差，拟合得到各特征维度的支持正常的第一信度分配曲线、支持异常的第二信度分配曲线和支持未知的第三信度分配曲线；
基于当前电动汽车发生故障的动力电池编号以及在不同特征维度的所述第一信度分配曲线、所述第二信度分配曲线和所述第三信度分配曲线，确定当前电动汽车的预测故障等级。
在本发明的一个实施例中，所述故障预测模块在执行所述基于当前电动汽车发生故障的动力电池编号以及在不同特征维度的所述第一信度分配曲线、所述第二信度分配曲线和所述第三信度分配曲线，确定当前电动汽车的预测故障等级时，用于执行如下操作：
基于当前电动汽车发生故障的动力电池编号以及在不同特征维度的所述第一信度分配曲线、所述第二信度分配曲线和所述第三信度分配曲线，确定当前电动汽车在不同特征维度的第一信度值、第二信度值和第三信度值；
基于当前电动汽车在不同特征维度的第一信度值、第二信度值和第三信度值，确定当前电动汽车的故障概率上限；
基于当前电动汽车的故障概率上限，确定当前电动汽车的预测故障等级。
在本发明的一个实施例中，还包括：
故障诊断模块，被配置为：
针对每个电动汽车，均用于执行如下操作：
基于当前电动汽车的目标动力电池数据和预设的报警规则，确定当前电动汽车触发的所有报警类型；其中，所述报警规则包括多个报警类型和阈值判别规则，至少一个报警类型包括至少两个针对不同电池数据类型的阈值判别规则，所述电池数据类型包括电压、电流和温度，每个报警类型均赋予有预设权重；
基于当前电动汽车触发的所有报警类型的权重之和，确定当前电动汽车的实时故障等级。
在本发明一个实施例中，还包括：
第一检测模块，用于将每个电动汽车的目标动力电池数据输入到预先训练好的第一故障检测模型中，筛选得到疑似故障的电动汽车；
所述特征提取模块，具体用于：
对每个疑似故障的电动汽车的目标动力电池数据进行特征提取，得到每个疑似故障的电动汽车中每个动力电池在不同特征维度的目标特征值。
在本发明一个实施例中，第一故障检测模型包括依次连接的编码器、采样层和解码器，编码器用于将输入序列数据转化为第一潜在向量，采样层用于将第一潜在向量映射到一个高斯分布并从高斯分布中采样出第二潜在向量，解码器用于将第二潜在向量转化为输出序列数据，输入序列数据和输出序列数据为相同类型的连续向量。
在本发明一个实施例中，损失函数采用如下公式：
式中，L为损失函数，为每次训练过程采样层映射得到的高斯分布的均值，/>为每次训练过程采样层映射得到的高斯分布的方差，/>为输出序列数据中第i个向量，x i 为输入序列数据中第i个向量，n为输入序列数据和输出序列数据中向量的个数。
可以理解的是，本发明实施例示意的结构并不构成对一种动力电池的故障检测装置的具体限定。在本发明的另一些实施例中，一种动力电池的故障检测装置可以包括比图示更多或者更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置。图示的部件可以以硬件、软件或者软件和硬件的组合来实现。
上述装置内的各模块之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。
本发明实施例还提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现本发明任一实施例中的一种动力电池的故障检测方法。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序在被处理器执行时，使所述处理器执行本发明任一实施例中的一种动力电池的故障检测方法。
具体地，可以提供配有存储介质的系统或者装置，在该存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码，且使该系统或者装置的计算机（或CPU或MPU）读出并执行存储在存储介质中的程序代码。
在这种情况下，从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能，因此程序代码和存储程序代码的存储介质构成了本发明的一部分。
用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘（如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD+RW）、磁带、非易失性存储卡和ROM。可选择地，可以由通信网络从服务器计算机上下载程序代码。
此外，应该清楚的是，不仅可以通过执行计算机所读出的程序代码，而且可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作，从而实现上述实施例中任意一项实施例的功能。
此外，可以理解的是，将由存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展模块中设置的存储器中，随后基于程序代码的指令使安装在扩展板或者扩展模块上的CPU等来执行部分和全部实际操作，从而实现上述实施例中任一实施例的功能。
此外，本发明实施例还公开了一种电动汽车，包括：如上述公开的电子设备。在一些实施方式中，电动汽车可以是纯电动车或油电混动车，在此不进行限定。
需要说明的是，在本文中，诸如第一和第二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。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储在计算机可读取的存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质中。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种动力电池的故障检测方法，其特征在于，包括：
对由各车载BMS采集的每个电动汽车的原始动力电池数据进行采样故障的剔除，得到各电动汽车的目标动力电池数据；其中，所述动力电池数据包括电压数据、电流数据、温度数据和时间数据；
对每个电动汽车的目标动力电池数据进行特征提取，得到每个电动汽车中每个动力电池在不同特征维度的目标特征值；
将每个电动汽车中每个动力电池在不同特征维度的目标特征值输入到预先训练好的第二故障检测模型中，以确定每个电动汽车发生故障的动力电池编号；其中，所述第二故障检测模型包括孤立森林算法、基于距离的第一无监督学习算法和基于密度的第二无监督学习算法；
针对动力电池发生故障的每个电动汽车，基于当前电动汽车发生故障的动力电池编号和当前电动汽车中每个动力电池在不同特征维度的目标特征值，确定当前电动汽车的预测故障等级；
所述针对动力电池发生故障的每个电动汽车，基于当前电动汽车发生故障的动力电池编号和当前电动汽车中每个动力电池在不同特征维度的目标特征值，确定当前电动汽车的预测故障等级，包括：
针对动力电池发生故障的每个电动汽车，均执行如下操作：
计算当前电动汽车中所有动力电池在各特征维度的目标特征值的形心，以计算各目标特征值到该形心的欧氏距离；
基于计算得到的所有目标特征值到该形心的欧氏距离，确定各特征维度的所有目标特征值的均值和标准差；
基于预设的信度分配下限和信度分配上限以及所有目标特征值的均值和标准差，拟合得到各特征维度的支持正常的第一信度分配曲线、支持异常的第二信度分配曲线和支持未知的第三信度分配曲线；
基于当前电动汽车发生故障的动力电池编号以及在不同特征维度的所述第一信度分配曲线、所述第二信度分配曲线和所述第三信度分配曲线，确定当前电动汽车的预测故障等级；
所述基于当前电动汽车发生故障的动力电池编号以及在不同特征维度的所述第一信度分配曲线、所述第二信度分配曲线和所述第三信度分配曲线，确定当前电动汽车的预测故障等级，包括：
基于当前电动汽车发生故障的动力电池编号以及在不同特征维度的所述第一信度分配曲线、所述第二信度分配曲线和所述第三信度分配曲线，确定当前电动汽车在不同特征维度的第一信度值、第二信度值和第三信度值；
基于当前电动汽车在不同特征维度的第一信度值、第二信度值和第三信度值，确定当前电动汽车的故障概率上限；
基于当前电动汽车的故障概率上限，确定当前电动汽车的预测故障等级。
2.根据权利要求1所述的方法，其特征在于，所述特征维度包括如下中的至少一种：内阻、开路电压、容量增量曲线、微分容量曲线、充电电流差、充电电压差、充电电压奇异值分解、充电截止电压、放电电流差、放电电压差和放电电压奇异值分解。
3.根据权利要求1所述的方法，其特征在于，所述第一无监督学习算法为K-means算法或Canopy 算法；
所述第二无监督学习算法为DBSCAN算法、OPTICS算法或DENCLUE算法。
4.根据权利要求1所述的方法，其特征在于，所述将每个电动汽车中每个动力电池在不同特征维度的目标特征值输入到预先训练好的第二故障检测模型中，以确定每个电动汽车发生故障的动力电池编号，包括：
将每个电动汽车中每个动力电池在不同特征维度的目标特征值输入到预先训练好的孤立森林算法、基于距离的第一无监督学习算法和基于密度的第二无监督学习算法中，确定每种算法中各动力电池存在离群点的特征维度个数；
针对每种算法，如果当前算法中存在离群点的特征维度个数超过特征维度总个数的预设比例，则将当前动力电池确定为疑似故障动力电池；
对三种算法中确定的所有疑似故障动力电池进行取交集运算，以确定每个电动汽车发生故障的动力电池编号。
5.根据权利要求1-4中任一项所述的方法，其特征在于，在所述得到各电动汽车的目标动力电池数据之后，还包括：
针对每个电动汽车，均执行如下操作：
基于当前电动汽车的目标动力电池数据和预设的报警规则，确定当前电动汽车触发的所有报警类型；其中，所述报警规则包括多个报警类型和阈值判别规则，至少一个报警类型包括至少两个针对不同电池数据类型的阈值判别规则，所述电池数据类型包括电压、电流和温度，每个报警类型均赋予有预设权重；
基于当前电动汽车触发的所有报警类型的权重之和，确定当前电动汽车的实时故障等级。
6.一种动力电池的故障检测装置，其特征在于，包括：
故障剔除模块，用于对由各车载BMS采集的每个电动汽车的原始动力电池数据进行采样故障的剔除，得到各电动汽车的目标动力电池数据；其中，所述动力电池数据包括电压数据、电流数据、温度数据和时间数据；
特征提取模块，用于对每个电动汽车的目标动力电池数据进行特征提取，得到每个电动汽车中每个动力电池在不同特征维度的目标特征值；
第二检测模块，用于将每个电动汽车中每个动力电池在不同特征维度的目标特征值输入到预先训练好的第二故障检测模型中，以确定每个电动汽车发生故障的动力电池编号；其中，所述第二故障检测模型包括孤立森林算法、基于距离的第一无监督学习算法和基于密度的第二无监督学习算法；
故障预测模块，用于针对动力电池发生故障的每个电动汽车，基于当前电动汽车发生故障的动力电池编号和当前电动汽车中每个动力电池在不同特征维度的目标特征值，确定当前电动汽车的预测故障等级；
所述故障预测模块，用于执行如下操作：
针对动力电池发生故障的每个电动汽车，均执行如下操作：
计算当前电动汽车中所有动力电池在各特征维度的目标特征值的形心，以计算各目标特征值到该形心的欧氏距离；
基于计算得到的所有目标特征值到该形心的欧氏距离，确定各特征维度的所有目标特征值的均值和标准差；
基于预设的信度分配下限和信度分配上限以及所有目标特征值的均值和标准差，拟合得到各特征维度的支持正常的第一信度分配曲线、支持异常的第二信度分配曲线和支持未知的第三信度分配曲线；
基于当前电动汽车发生故障的动力电池编号以及在不同特征维度的所述第一信度分配曲线、所述第二信度分配曲线和所述第三信度分配曲线，确定当前电动汽车的预测故障等级；
所述故障预测模块在执行所述基于当前电动汽车发生故障的动力电池编号以及在不同特征维度的所述第一信度分配曲线、所述第二信度分配曲线和所述第三信度分配曲线，确定当前电动汽车的预测故障等级时，用于执行如下操作：
基于当前电动汽车发生故障的动力电池编号以及在不同特征维度的所述第一信度分配曲线、所述第二信度分配曲线和所述第三信度分配曲线，确定当前电动汽车在不同特征维度的第一信度值、第二信度值和第三信度值；
基于当前电动汽车在不同特征维度的第一信度值、第二信度值和第三信度值，确定当前电动汽车的故障概率上限；
基于当前电动汽车的故障概率上限，确定当前电动汽车的预测故障等级。
7.一种电子设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现如权利要求1-5中任一项所述的方法。
8.一种电动汽车，其特征在于，包括如权利要求7所述的电子设备。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311345278.8A CN117067920B (zh) | 2023-10-18 | 2023-10-18 | 动力电池的故障检测方法、装置、电子设备及电动汽车 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311345278.8A CN117067920B (zh) | 2023-10-18 | 2023-10-18 | 动力电池的故障检测方法、装置、电子设备及电动汽车 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117067920A CN117067920A (zh) | 2023-11-17 |
| CN117067920B true CN117067920B (zh) | 2024-01-05 |
Family
ID=88715721
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311345278.8A Active CN117067920B (zh) | 2023-10-18 | 2023-10-18 | 动力电池的故障检测方法、装置、电子设备及电动汽车 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117067920B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117261599B (zh) * | 2023-10-18 | 2024-05-03 | 北京航空航天大学 | 电动汽车的故障检测方法、装置、电子设备及电动汽车 |
| CN118101576B (zh) * | 2024-04-18 | 2024-07-09 | 山东致群信息技术股份有限公司 | 一种融合通讯中的数据处理方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109978229A (zh) * | 2019-02-12 | 2019-07-05 | 常伟 | 一种对动力电池组全电芯多点温度及连接点温度进行热失控预测的方法 |
| CN111812535A (zh) * | 2020-06-30 | 2020-10-23 | 南京林业大学 | 一种基于数据驱动的动力电池故障诊断方法及系统 |
| CN115356636A (zh) * | 2022-07-31 | 2022-11-18 | 常伟 | 一种数据驱动的新能源汽车电池故障报警和故障预警模型 |
| CN115995838A (zh) * | 2022-12-29 | 2023-04-21 | 湖北省电力勘测设计院有限公司 | 面向分布式储能及电动汽车的加权聚类方法、存储介质及电子设备 |
| CN116626505A (zh) * | 2023-07-21 | 2023-08-22 | 江苏海平面数据科技有限公司 | 一种基于车联网大数据的电池组一致性异常检测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020026252A1 (en) * | 2000-05-15 | 2002-02-28 | Wruck William J. | Computer system for vehicle battery selection based on vehicle operating conditions |
-
2023
- 2023-10-18 CN CN202311345278.8A patent/CN117067920B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109978229A (zh) * | 2019-02-12 | 2019-07-05 | 常伟 | 一种对动力电池组全电芯多点温度及连接点温度进行热失控预测的方法 |
| CN111812535A (zh) * | 2020-06-30 | 2020-10-23 | 南京林业大学 | 一种基于数据驱动的动力电池故障诊断方法及系统 |
| CN115356636A (zh) * | 2022-07-31 | 2022-11-18 | 常伟 | 一种数据驱动的新能源汽车电池故障报警和故障预警模型 |
| CN115995838A (zh) * | 2022-12-29 | 2023-04-21 | 湖北省电力勘测设计院有限公司 | 面向分布式储能及电动汽车的加权聚类方法、存储介质及电子设备 |
| CN116626505A (zh) * | 2023-07-21 | 2023-08-22 | 江苏海平面数据科技有限公司 | 一种基于车联网大数据的电池组一致性异常检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| "基于证据理论的连续刚构桥安全状态分级评估方法";庄小平等;科学技术与工程;第23卷(第20期);8855-8856页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117067920A (zh) | 2023-11-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117067920B (zh) | 动力电池的故障检测方法、装置、电子设备及电动汽车 | |
| CN112092675B (zh) | 一种电池热失控预警方法、系统及服务器 | |
| CN111551860B (zh) | 一种基于弛豫电压特征的电池内短路诊断方法 | |
| CN110376530B (zh) | 电池内短路检测装置及方法 | |
| CN112858919A (zh) | 一种基于聚类分析的电池系统在线故障诊断方法和系统 | |
| CN114559819B (zh) | 一种基于信号处理的电动汽车电池安全预警方法 | |
| Kim et al. | A novel prognostics approach using shifting kernel particle filter of Li-ion batteries under state changes | |
| CN117067921B (zh) | 电动汽车的故障检测方法及电动汽车 | |
| CN111257753B (zh) | 一种电池系统故障诊断方法 | |
| CN112098850A (zh) | 基于sdo算法的锂离子电池电压故障诊断方法及系统 | |
| CN117261599B (zh) | 电动汽车的故障检测方法、装置、电子设备及电动汽车 | |
| CN113310647A (zh) | 电池包泄露检测的方法、装置、电子设备及存储介质 | |
| CN113255764A (zh) | 利用机器学习检测电化学储能系统故障的方法、系统和装置 | |
| CN116154900A (zh) | 一种电池储能电站的主动安全三级防控系统及方法 | |
| CN115796708B (zh) | 一种工程建设用的大数据智能质检方法、系统和介质 | |
| Kim et al. | Outlier mining-based fault diagnosis for multiceli lithium-ion batteries using a low-priced microcontroller | |
| CN115144765A (zh) | 电池内短路故障检测方法及装置 | |
| CN116404276A (zh) | 锂离子电池漏液预测方法、装置、设备及介质 | |
| Li et al. | Battery safety issue detection in real-world electric vehicles by integrated modeling and voltage abnormality | |
| CN113935423A (zh) | 耦合模糊控制规则与Elman神经网络的动力电池故障预警方法与系统 | |
| CN113391214A (zh) | 一种基于电池充电电压排名变化的电池微故障诊断方法 | |
| Tang et al. | An aging-and load-insensitive method for quantitatively detecting the battery internal-short-circuit resistance | |
| CN115508713A (zh) | 一种电池系统安全预警方法、装置、存储介质及设备 | |
| CN115972982A (zh) | 热失控预警方法、装置、设备及可读存储介质 | |
| CN115128473A (zh) | 一种锂电池的析锂监测方法和装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |