CN117341477B - 磷酸铁锂动力电池内短路预警方法、装置和计算机设备 - Google Patents
磷酸铁锂动力电池内短路预警方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN117341477B CN117341477B CN202311664953.3A CN202311664953A CN117341477B CN 117341477 B CN117341477 B CN 117341477B CN 202311664953 A CN202311664953 A CN 202311664953A CN 117341477 B CN117341477 B CN 117341477B
- Authority
- CN
- China
- Prior art keywords
- state
- data
- determining
- charge
- charging
- 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
- GELKBWJHTRAYNV-UHFFFAOYSA-K lithium iron phosphate Chemical compound [Li+].[Fe+2].[O-]P([O-])([O-])=O GELKBWJHTRAYNV-UHFFFAOYSA-K 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000007600 charging Methods 0.000 claims abstract description 145
- 238000010277 constant-current charging Methods 0.000 claims abstract description 82
- 238000012549 training Methods 0.000 claims abstract description 39
- 230000002159 abnormal effect Effects 0.000 claims abstract description 33
- 238000012216 screening Methods 0.000 claims abstract description 14
- 230000008859 change Effects 0.000 claims description 25
- 230000015654 memory Effects 0.000 claims description 23
- 239000000178 monomer Substances 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 15
- 238000010586 diagram Methods 0.000 description 8
- 238000001514 detection method Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000010606 normalization Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 239000000306 component Substances 0.000 description 3
- 239000000523 sample Substances 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000013500 data storage Methods 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000001960 triggered effect Effects 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
-
- 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
- B60L58/12—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to state of charge [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
- G01R31/005—Testing of electric installations on transport means
- G01R31/006—Testing of electric installations on transport means on road vehicles, e.g. automobiles or trucks
- G01R31/007—Testing of electric installations on transport means on road vehicles, e.g. automobiles or trucks using microprocessors or computers
-
- 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
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/52—Testing for short-circuits, leakage current or ground faults
-
- 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
- B60L2240/00—Control parameters of input or output; Target parameters
- B60L2240/40—Drive Train control parameters
- B60L2240/54—Drive Train control parameters related to 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)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Sustainable Energy (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Sustainable Development (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Secondary Cells (AREA)
- Tests Of Electric Status Of Batteries (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本申请涉及一种磷酸铁锂动力电池内短路预警方法、装置和计算机设备。所述方法包括:获取磷酸铁锂动力电池时序数据;基于所述充电数据确定充电状态特征,基于所述充电状态特征进行筛选,确定目标恒流充电数据;基于所述目标恒流充电数据确定恒流充电状态特征,基于所述恒流充电状态特征和磷酸铁锂动力电池属性特征确定标准荷电状态差值;基于所述充电数据、车辆静置数据、车辆行驶数据和标准荷电状态差值训练初始荷电状态差值预测模型,得到目标荷电状态差值预测模型;将待预测时序数据输入所述目标荷电状态差值预测模型,得到目标荷电状态差值;基于所述目标荷电状态差值确定异常自放电情况,进行内短路预警。
Description
技术领域
本申请涉及动力电池技术领域,特别是涉及一种磷酸铁锂动力电池内短路预警方法、装置和计算机设备。
背景技术
随着新能源汽车的蓬勃发展,动力电池作为电动汽车的核心组件,其使用过程中的续航能量和安全性倍受众人关注。动力电池内的单体电池若发生内短路故障,轻则会产生持续的漏电流,导致电池荷电状态一致性变差,整个电池包可放出的能量减少,影响用户体验;重则会产生较大的短路电流,导致大量热量的产生,进一步触发电池的热失控故障,严重威胁人身财产安全。因此对于电池内短路故障需要尽早检测并进行预警。
目前最主要的两大动力电池体系包括三元锂体系和磷酸铁锂体系,现有技术中,对于大多数动力电池而言,通常是通过对单体电压进行实时监控,或基于电压估计的电池荷电状态(State Of Charge,SOC)值进行监控,当电压或SOC值出现异常下降时,对应的单体电池即为可能发生内短路故障的单体电池,或考虑各个单体电压之间的一致性和相关性,进一步基于电压计算各个单体的实时SOC,通过评估动力电池的SOC一致性进而判断内短路故障。但是对于磷酸铁锂动力电池而言,由于其电压-SOC曲线较为特殊,具有两个电压平台区,导致在动力电池使用时,在电压平台区内难以精确计算得到SOC值,导致其SOC一致性也难以评估,进而无法准确判断是否存在内短路故障。并且现有技术往往局限于例如恒流充电过程、静态开路等特定工况的实时监控预测,难以覆盖电动汽车包括恒流充电、快充、静置、行驶的全生命周期。
因此,相关技术中亟需一种能够准确预警磷酸铁锂动力电池内短路以及提高检测覆盖率的方式。
发明内容
基于此,有必要针对上述技术问题,提供一种能够准确预警磷酸铁锂动力电池内短路以及提高检测覆盖率的磷酸铁锂动力电池内短路预警方法、装置和计算机设备。
第一方面,本申请提供了一种磷酸铁锂动力电池内短路预警方法。所述方法包括:
获取磷酸铁锂动力电池时序数据,所述时序数据包括充电数据、车辆静置数据、车辆行驶数据;
基于所述充电数据确定充电状态特征,基于所述充电状态特征进行筛选,确定目标恒流充电数据;
基于所述目标恒流充电数据确定恒流充电状态特征,基于所述恒流充电状态特征和磷酸铁锂动力电池属性特征确定标准荷电状态差值;
基于所述充电数据、车辆静置数据、车辆行驶数据和标准荷电状态差值训练初始荷电状态差值预测模型,得到目标荷电状态差值预测模型;
将待预测时序数据输入所述目标荷电状态差值预测模型,得到目标荷电状态差值,所述待预测时序数据包括充电数据、车辆静置数据或车辆行驶数据中的至少一种;
基于所述目标荷电状态差值确定异常自放电情况,进行内短路预警。
可选的,在本申请的一个实施例中,所述基于所述充电数据确定充电状态特征,基于所述充电状态特征进行筛选,确定目标恒流充电数据包括:
基于所述充电数据确定电压-荷电状态曲线;
基于所述电压-荷电状态曲线确定特征拐点;
基于所述特征拐点确定目标恒流充电数据。
可选的,在本申请的一个实施例中,所述基于所述目标恒流充电数据确定恒流充电状态特征,基于所述恒流充电状态特征和磷酸铁锂动力电池属性特征确定标准荷电状态差值包括:
基于所述目标恒流充电数据确定最高、最低单体电压-充电输入安时量曲线;
基于所述最高单体电压-充电输入安时量曲线确定第一特征点,基于所述最低单体电压-充电输入安时量曲线确定第二特征点;
基于所述第一特征点和第二特征点对应的安时量确定实时容量差值;
基于所述实时容量差值和动力电池总容量确定标准荷电状态差值。
可选的,在本申请的一个实施例中,所述基于所述目标恒流充电数据确定恒流充电状态特征,基于所述恒流充电状态特征和磷酸铁锂动力电池属性特征确定标准荷电状态差值之后包括:
将所述充电数据、车辆静置数据和车辆行驶数据按固定时长切分,并与所述标准荷电状态差值相关联。
可选的,在本申请的一个实施例中,所述基于所述充电数据、车辆静置数据、车辆行驶数据和标准荷电状态差值训练初始荷电状态差值预测模型,得到目标荷电状态差值预测模型包括:
将所述充电数据、车辆静置数据和车辆行驶数据输入初始荷电状态差值预测模型,得到初始荷电状态差值;
基于所述初始荷电状态差值和标准荷电状态差值确定训练误差值,当所述训练误差值满足预设误差时,确定目标荷电状态差值预测模型。
可选的,在本申请的一个实施例中,所述将待预测时序数据输入所述目标荷电状态差值预测模型,得到目标荷电状态差值包括:
将待预测时序数据按固定时长切分,依次输入所述目标荷电状态差值预测模型,得到多个预测荷电状态差值;
基于所述多个预测荷电状态差值计算平均值,确定目标荷电状态差值。
可选的,在本申请的一个实施例中,所述基于所述目标荷电状态差值确定异常自放电情况,进行内短路预警包括:
基于所述目标荷电状态差值确定目标时间段内的变化速率,基于所述变化速率和异常自放电阈值确定异常自放电情况,进行内短路预警。
第二方面,本申请还提供了一种磷酸铁锂动力电池内短路预警装置。所述装置包括:
时序数据获取模块,用于获取磷酸铁锂动力电池时序数据,所述时序数据包括充电数据、车辆静置数据、车辆行驶数据;
目标恒流充电数据确定模块,用于基于所述充电数据确定充电状态特征,基于所述充电状态特征进行筛选,确定目标恒流充电数据;
标准荷电状态差值确定模块,用于基于所述目标恒流充电数据确定恒流充电状态特征,基于所述恒流充电状态特征和磷酸铁锂动力电池属性特征确定标准荷电状态差值;
荷电状态差值预测模型训练模块,用于基于所述充电数据、车辆静置数据、车辆行驶数据和标准荷电状态差值训练初始荷电状态差值预测模型,得到目标荷电状态差值预测模型;
目标荷电状态差值确定模块,用于将待预测时序数据输入所述目标荷电状态差值预测模型,得到目标荷电状态差值,所述待预测时序数据包括充电数据、车辆静置数据或车辆行驶数据中的至少一种;
内短路预警模块,用于基于所述目标荷电状态差值确定异常自放电情况,进行内短路预警。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行上述各个实施例所述方法的步骤。
第四方面,本申请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,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述各个实施例所述方法的步骤。
上述磷酸铁锂动力电池内短路预警方法、装置和计算机设备,首先,获取磷酸铁锂动力电池时序数据,所述时序数据包括充电数据、车辆静置数据、车辆行驶数据;之后,基于所述充电数据确定充电状态特征,基于所述充电状态特征进行筛选,确定目标恒流充电数据;之后,基于所述目标恒流充电数据确定恒流充电状态特征,基于所述恒流充电状态特征和磷酸铁锂动力电池属性特征确定标准荷电状态差值;之后,基于所述充电数据、车辆静置数据、车辆行驶数据和标准荷电状态差值训练初始荷电状态差值预测模型,得到目标荷电状态差值预测模型;之后,将待预测时序数据输入所述目标荷电状态差值预测模型,得到目标荷电状态差值,所述待预测时序数据包括充电数据、车辆静置数据或车辆行驶数据中的至少一种;最后,基于所述目标荷电状态差值确定异常自放电情况,进行内短路预警。也就是说,通过基于恒流充电数据确定标准荷电状态差值,并训练荷电状态差值预测模型,使其能够准确预测荷电状态差值,即使是具有电压平台区的磷酸铁锂动力电池,也能够根据时序特征数据得到准确的荷电状态差值,并基于荷电状态差值的变化计算电池是否存在异常自放电情况,从而能够进一步对内短路故障进行预警,并且对于电池全生命周期的时序特征数据都能够预测荷电状态差值,提高了检测覆盖率。
附图说明
图1为一个实施例中磷酸铁锂动力电池内短路预警方法的应用环境图;
图2为一个实施例中磷酸铁锂动力电池内短路预警方法的流程示意图;
图3为一个实施例中电压-荷电状态曲线的示意图;
图4为一个实施例中最高、最低单体电压-充电输入安时量曲线的示意图;
图5为一个实施例中自注意力编码器模型的结构示意图;
图6为一个实施例中编码器块的具体结构示意图;
图7为一个实施例中荷电状态差值变化曲线的示意图;
图8为一个实施例中磷酸铁锂动力电池内短路预警装置的结构框图;
图9为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的磷酸铁锂动力电池内短路预警方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他网络服务器上。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种磷酸铁锂动力电池内短路预警方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
S201:获取磷酸铁锂动力电池时序数据,所述时序数据包括充电数据、车辆静置数据、车辆行驶数据。
本申请实施例中,首先,收集磷酸铁锂动力电池时序数据,即按照时间顺序收集一定时间段内的安装在车辆上的磷酸铁锂动力电池使用数据,包括充电数据、车辆静置数据、车辆行驶数据,充电数据指动力电池充电时的时序特征数据,充电形式不限于普通充电、快充、恒流充电等,车辆静置数据指充电前后车辆在静置时的动力电池的时序特征数据,车辆行驶数据指充电前后车辆在行驶时的动力电池的时序特征数据。具体的,时序特征数据可以包括动力电池组总电压、动力电池组各个单体电压、动力电池组平均单体电压、动力电池组最高单体电压、动力电池组最低单体电压、动力电池组总电流、本次充电实时输入安时量、各个电池探针温度等。
S203:基于所述充电数据确定充电状态特征,基于所述充电状态特征进行筛选,确定目标恒流充电数据。
本申请实施例中,由于磷酸铁锂动力电池在充电时,其对应的电压-荷电状态特征曲线较为特殊,在荷电状态值为约30%~55%、60%~90%的区间内具有两个电压平台区,导致在电池使用时在电压平台内难以精确计算得到动力电池的荷电状态值,也就难以估计磷酸铁锂电池的荷电状态差值,因此,需要找到磷酸铁锂动力电池车辆的恒流充电数据,以便能精确计算得到动力电池的荷电状态值。具体的,在获取磷酸铁锂动力电池时序数据之后,基于其中的充电数据确定充电状态特征,充电状态特征能够反映充电过程中电压或电流与动力电池荷电状态的直接关系,基于充电状态特征对整个充电过程进行筛选,选择能够精确计算动力电池的荷电状态值的充电部分,即确定目标恒流充电数据。
S205:基于所述目标恒流充电数据确定恒流充电状态特征,基于所述恒流充电状态特征和磷酸铁锂动力电池属性特征确定标准荷电状态差值。
本申请实施例中,在确定目标恒流充电数据之后,确定恒流充电状态特征,即输入电流与充电时长、单体电压等特征之间的关系,基于恒流充电状态特征和磷酸铁锂动力电池属性特征即总容量计算得到对应的标准荷电状态差值,标准荷电状态差值能够反应该次充电时,电池包中各个单体的荷电状态一致性。
S207:基于所述充电数据、车辆静置数据、车辆行驶数据和标准荷电状态差值训练初始荷电状态差值预测模型,得到目标荷电状态差值预测模型。
本申请实施例中,将充电数据、车辆静置数据和车辆行驶数据作为输入,输入初始荷电状态差值预测模型,将标准荷电状态差值作为参考值,基于参考值不断调整初始荷电状态差值预测模型的参数,当初始荷电状态差值预测模型的结果接近标准荷电状态差值时,模型训练完成,此时的模型即为目标荷电状态差值预测模型。可选的,初始荷电状态差值预测模型为适合电池时序数据的机器学习模型,能以时间序列数据为输入,能够学习时间序列多特征维度之间的关联关系,输出单个回归数值,例如自回归差分移动平均模型(ARIMA模型)、长短期记忆神经网络模型(LSTM模型)、全态注意力编解码器模型(Transformer模型)等。需要说明的是,各个模型也有各自的变种模型,如Transformer模型除了由编码器和解码器同时组成的全态注意力编解码器模型外,也存在仅包含编码器的自注意力编码器模型,与仅包含解码器的自注意力解码器模型。
S209:将待预测时序数据输入所述目标荷电状态差值预测模型,得到目标荷电状态差值,所述待预测时序数据包括充电数据、车辆静置数据或车辆行驶数据中的至少一种。
本申请实施例中,在荷电状态差值预测模型训练完成之后,将待预测时序数据输入目标荷电状态差值预测模型,得到目标荷电状态差值,即待预测时序数据对应的该车该时间段内的荷电状态一致性。其中,待预测时序数据为某一时间段电动汽车的全生命周期的时序特征数据,可以是充电数据,也可以是车辆静置数据,也可以是车辆行驶数据,包括动力电池组总电压、动力电池组各个单体电压、动力电池组平均单体电压、动力电池组最高单体电压、动力电池组最低单体电压、动力电池组总电流、各个电池探针温度等。
S211:基于所述目标荷电状态差值确定异常自放电情况,进行内短路预警。
本申请实施例中,在得到目标荷电状态差值之后,确定目标荷电状态差值的变化情况,可选地,可采用曲线拟合法计算每个电池包的异常自放电情况,即目标荷电状态差值变化异常的情况,针对出现异常自放电情况的车辆进行内短路预警,曲线拟合法包括一次函数曲线拟合、二次函数曲线拟合等。
上述磷酸铁锂动力电池内短路预警方法中,首先,获取磷酸铁锂动力电池时序数据,所述时序数据包括充电数据、车辆静置数据、车辆行驶数据;之后,基于所述充电数据确定充电状态特征,基于所述充电状态特征进行筛选,确定目标恒流充电数据;之后,基于所述目标恒流充电数据确定恒流充电状态特征,基于所述恒流充电状态特征和磷酸铁锂动力电池属性特征确定标准荷电状态差值;之后,基于所述充电数据、车辆静置数据、车辆行驶数据和标准荷电状态差值训练初始荷电状态差值预测模型,得到目标荷电状态差值预测模型;之后,将待预测时序数据输入所述目标荷电状态差值预测模型,得到目标荷电状态差值,所述待预测时序数据包括充电数据、车辆静置数据或车辆行驶数据中的至少一种;最后,基于所述目标荷电状态差值确定异常自放电情况,进行内短路预警。也就是说,通过基于恒流充电数据确定标准荷电状态差值,并训练荷电状态差值预测模型,使其能够准确预测荷电状态差值,即使是具有电压平台区的磷酸铁锂动力电池,也能够根据时序特征数据得到准确的荷电状态差值,并基于荷电状态差值的变化计算电池是否存在异常自放电情况,从而能够进一步对内短路故障进行预警,并且对于电池全生命周期的时序特征数据都能够预测荷电状态差值,提高了检测覆盖率。
在本申请的一个实施例中,所述基于所述充电数据确定充电状态特征,基于所述充电状态特征进行筛选,确定目标恒流充电数据包括:
S301:基于所述充电数据确定电压-荷电状态曲线。
S303:基于所述电压-荷电状态曲线确定特征拐点。
S305:基于所述特征拐点确定目标恒流充电数据。
在本申请的一个实施例中,如图3所示,首先基于收集的充电数据绘制磷酸铁锂动力电池的电压-荷电状态曲线,即电压-SOC曲线,横坐标为荷电状态SOC,纵坐标为电压,之后,基于电压-荷电状态曲线确定特征拐点,特征拐点即平台区特征点,包括第一拐点和第二拐点,对应的有第一拐点SOC值、第二拐点SOC值、第一平台区电压、第二平台区电压。最后基于特征拐点确定目标恒流充电数据,目标恒流充电数据即充电过程覆盖到两个特征拐点的数据,即充电开始时电池包SOC需要小于等于第一拐点SOC值,最高单体电压需要小于等于第一平台电压,充电结束时电池包SOC需要大于等于第二拐点SOC值,最低单体电压需要大于等于第二平台区电压。如图3所示,为某磷酸铁锂动力电池的电压-荷电状态曲线,其中,(55%,3.338)的位置约为第一拐点,(62%,3.363)的位置约为第二拐点。不同磷酸铁锂电池的具体值可能会有一些细微的偏差,但所有磷酸铁锂电池的特征均与此类似。具体的,考虑到电池包SOC计算可能会存在较大误差,因此取第一拐点SOC值为45%,取第二拐点SOC值为75%;取第一平台区电压为3.33V,取第二平台区电压为3.35V。即对恒流充电的具体要求为:充电开始时,电池包SOC小于等于45%,最高单体电压小于等于3.33V;充电结束时,电池包SOC大于等于75%,最低单体电压大于等于3.35V。
本实施例中,通过基于充电数据确定电压-荷电状态曲线,基于电压-荷电状态曲线确定特征拐点,基于特征拐点确定目标恒流充电数据,能够获得满足要求的恒流充电时序数据,便于准确计算对应的荷电状态差值。
在本申请的一个实施例中,所述基于所述目标恒流充电数据确定恒流充电状态特征,基于所述恒流充电状态特征和磷酸铁锂动力电池属性特征确定标准荷电状态差值包括:
S401:基于所述目标恒流充电数据确定最高、最低单体电压-充电输入安时量曲线。
S403:基于所述最高单体电压-充电输入安时量曲线确定第一特征点,基于所述最低单体电压-充电输入安时量曲线确定第二特征点。
S405:基于所述第一特征点和第二特征点对应的安时量确定实时容量差值。
S407:基于所述实时容量差值和动力电池总容量确定标准荷电状态差值。
在本申请的一个实施例中,如图4所示,首先基于确定的目标恒流充电数据绘制最高、最低单体电压-充电输入安时量曲线,具体的,根据充电过程中收集到的动力电池组最高单体电压、动力电池组最低单体电压、本次充电实时输入安时量,得到当次充电内,最高单体电压、最低单体电压随实时输入的安时量变化的曲线,横坐标为充电输入安时量,纵坐标为电压。之后,基于最高单体电压-充电输入安时量曲线确定第一特征点,即电压刚刚到达第二平台区时的拐点,同样的,基于最低单体电压-充电输入安时量曲线确定第二特征点,即电压刚刚到达第二平台区时的拐点,需要说明的是,第一特征点可以是最高单体电压刚刚到达第二平台区时的拐点,也可以是最高单体电压刚刚到达第一平台区时的拐点,同样的,第二特征点可以是最低单体电压刚刚到达第二平台区时的拐点,也可以是最低单体电压刚刚到达第一平台区时的拐点,只要第一特征点和第二特征点取相对应的拐点就行。
之后,基于第一特征点和第二特征点对应的安时量确定实时容量差值,即将第二特征点对应的安时量减去第一特征点对应的安时量,得到最高电压单体与最低电压单体的实时安时量的差,记为。最后,基于实时容量差值和动力电池总容量确定标准荷电状态差值,标准荷电状态差值能够反映该次充电时,电池包的荷电状态一致性。具体的,基于实时容量差值/>和动力电池总容量/>确定标准荷电状态差值/>,即/>。如图4所示,在该次充电中,第一特征点为(105,3.356),第二特征点为(129,3.355),根据两个特征点的安时量,得到实时容量差值/>,随后根据该电池的总容量/>,得到荷电状态差值/>,即为该电池包该次充电时的荷电状态一致性。
本实施例中,通过基于目标恒流充电数据确定最高、最低单体电压-充电输入安时量曲线,基于最高单体电压-充电输入安时量曲线确定第一特征点,基于最低单体电压-充电输入安时量曲线确定第二特征点,基于第一特征点和第二特征点对应的安时量确定实时容量差值,基于实时容量差值和动力电池总容量确定标准荷电状态差值,能够准确计算荷电状态差值。
在本申请的一个实施例中,所述基于所述目标恒流充电数据确定恒流充电状态特征,基于所述恒流充电状态特征和磷酸铁锂动力电池属性特征确定标准荷电状态差值之后包括:
将所述充电数据、车辆静置数据和车辆行驶数据按固定时长切分,并与所述标准荷电状态差值相关联。
在本申请的一个实施例中,在按照时间顺序收集了一定时间段内的安装在车辆上的磷酸铁锂动力电池使用数据之后,其中包括充电数据、车辆静置数据和车辆行驶数据,因为收集是时间长度不固定的,因此对其进行标准化处理,将所有时序数据,即完整的充电数据、车辆静置数据和车辆行驶数据按固定时间长度进行划分,得到大量时间长度固定且相同的时序数据,并与得到的标准荷电状态差值一一对应关联,即给所有的时序数据加上标准荷电状态差值标签。具体应用中,取时间限制为前后一天内,即收集满足要求的车辆在每次恒流充电前后一天内的静置、行驶的时序特征数据。后续将时序数据以固定长度进行切分时,固定长度取10分钟,即600秒。
本实施例中,通过将所述充电数据、车辆静置数据和车辆行驶数据按固定时长切分,并与所述标准荷电状态差值相关联,能够将时序数据进行标准化,得到适合训练模型的训练数据。
在本申请的一个实施例中,所述基于所述充电数据、车辆静置数据、车辆行驶数据和标准荷电状态差值训练初始荷电状态差值预测模型,得到目标荷电状态差值预测模型包括:
S501:将所述充电数据、车辆静置数据和车辆行驶数据输入初始荷电状态差值预测模型,得到初始荷电状态差值。
S503:基于所述初始荷电状态差值和标准荷电状态差值确定训练误差值,当所述训练误差值满足预设误差时,确定目标荷电状态差值预测模型。
在本申请的一个实施例中,将充电数据、车辆静置数据和车辆行驶数据等时序数据作为输入,输入初始荷电状态差值预测模型,模型输出初始荷电状态差值,即回归数值/>。之后,基于初始荷电状态差值和标准荷电状态差值确定训练误差值,具体的,以标准荷电状态差值作为目标标签/>,计算回归数值/>和目标标签/>的均方误差MSE,具体计算公式如下所示:
;
之后,当训练误差值满足预设误差时,即根据均方误差MSE,采用反向传播BP算法,不断调整初始荷电状态差值预测模型的参数,直到均方误差MSE达到设定的误差值时,模型训练完成,得到目标荷电状态差值预测模型。
以选择仅包含编码器的自注意力编码器模型(Transformer编码器模型)作为荷电状态差值预测模型为例。如图5所示,自注意力编码器模型由输入全连接层、位置编码层、多个编码器块与输出层构成,一个编码器块由多头掩码自注意力层、规范化层、前馈网络层构成。输入的标准化时序数据首先经过输入全连接层,然后与位置编码层的位置编码数据相加,得到输入中间数据/>,位置编码层由基于对数的正余弦位置矩阵PE构成,即:
;
其中,,/>。
然后构建编码器块,如图6所示,其由多头自注意力层、规范化层、前馈网络层构成。首先是多头自注意力层,该层由多个自注意力块构成,对于单个自注意力块,输入中间数据通过三个不同的全连接层得到/>、/>与/>三个向量,对应的三个连接层的权重分别为/>、/>与/>。将/>、/>与/>向量构建成一个自注意力块,即:
;
其中,代表这个自注意力块的输出,/>为归一化指数函数,/>为注意力机制隐藏层维度。构建/>个与此相同的自注意力块,通过特征连结层对/>个掩码自注意力块的输出进行结合得到多头自注意力层网络的输出/>。
将输入中间数据与自注意力层输出/>相加后,依次通过一个规范化层、一个前馈网络层、另一个规范化层,得到单个编码器块的输出。规范化层将数据在特征维度上进行归一化得到正态分布数据,前馈网络层则由两个全连接层与一个激活函数构成。堆叠/>个这样的编码器块,最后经过输出层,得到最终的输出/>。其中输出层由一个池化层和一个输出全连接层构成。
本实施例中,通过将充电数据、车辆静置数据和车辆行驶数据输入初始荷电状态差值预测模型,得到初始荷电状态差值,基于初始荷电状态差值和标准荷电状态差值确定训练误差值,当训练误差值满足预设误差时,确定目标荷电状态差值预测模型,能够经过训练得到准确预测荷电状态差值的模型。
在本申请的一个实施例中,所述将待预测时序数据输入所述目标荷电状态差值预测模型,得到目标荷电状态差值包括:
S601:将待预测时序数据按固定时长切分,依次输入所述目标荷电状态差值预测模型,得到多个预测荷电状态差值。
S603:基于所述多个预测荷电状态差值计算平均值,确定目标荷电状态差值。
在本申请的一个实施例中,收集待预测时序数据,包括充电数据、车辆静置数据或车辆行驶数据中的至少一种,具体的,待预测时序数据包括动力电池组总电压、动力电池组各个单体电压、动力电池组平均单体电压、动力电池组最高单体电压、动力电池组最低单体电压、动力电池组总电流、各个电池探针温度等。对收集的待预测时序数据进行标准化处理,按固定时长划分,即将一段时间长度不固定的完整的静置、行驶时序数据以固定长度进行切分,得到从属于某辆车、某个时间段内的一系列长度固定的时序数据/>。之后,将其依次输入训练好的目标荷电状态差值预测模型中,得到多个预测荷电状态差值,记为。之后,基于多个预测荷电状态差值计算平均值,确定目标荷电状态差值。即对属于某辆车、某个时间段内的全部数据的检测结果计算平均值,得到对应该车该时间段内的荷电状态差值/>,记为/>,其中/>为该车该时间段内的完整时序数据切割得到的长度固定的时序数据的条数。
本实施例中,通过将待预测时序数据按固定时长切分,依次输入目标荷电状态差值预测模型,得到多个预测荷电状态差值,基于多个预测荷电状态差值计算平均值,确定目标荷电状态差值,能够对任意工况下的荷电状态差值进行预测。
在本申请的一个实施例中,所述基于所述目标荷电状态差值确定异常自放电情况,进行内短路预警包括:
基于所述目标荷电状态差值确定目标时间段内的变化速率,基于所述变化速率和异常自放电阈值确定异常自放电情况,进行内短路预警。
在本申请的一个实施例中,在得到目标荷电状态差值之后,确定目标时间段内的变化速率,具体的,可通过绘制目标荷电状态差值的变化曲线,从而确定其变化速率,如图7所示,为某辆车的荷电状态差值变化曲线,横坐标为检测时间,纵坐标为荷电状态差值/>,不同时间段对应的荷电状态差值/>列表记为,每个时间段对应的检测时间列表记为,对/>、/>进行分段一次函数曲线拟合,得到分段一次函数为/>,取其中较大的荷电状态差值/>变化速率/>。之后,基于变化速率和异常自放电阈值确定异常自放电情况,进行内短路预警,即将变化速率与提前设定的异常自放电阈值/>进行对比,若/>,则对该辆车进行内短路预警。
本实施例中,通过基于所述目标荷电状态差值确定目标时间段内的变化速率,基于所述变化速率和异常自放电阈值确定异常自放电情况,进行内短路预警,能够提高内短路预警的准确性。
下面以一个具体实施例说明本申请的磷酸铁锂动力电池内短路预警方法的具体实施步骤。首先,S701,获取磷酸铁锂动力电池时序数据,所述时序数据包括充电数据、车辆静置数据、车辆行驶数据。之后,S703,基于所述充电数据确定充电状态特征,基于所述充电状态特征进行筛选,确定目标恒流充电数据。具体的,S705-S709,基于所述充电数据确定电压-荷电状态曲线,基于所述电压-荷电状态曲线确定特征拐点,基于所述特征拐点确定目标恒流充电数据。
之后,S711,基于所述目标恒流充电数据确定恒流充电状态特征,基于所述恒流充电状态特征和磷酸铁锂动力电池属性特征确定标准荷电状态差值。具体的,S713-S719,基于所述目标恒流充电数据确定最高、最低单体电压-充电输入安时量曲线;基于所述最高单体电压-充电输入安时量曲线确定第一特征点,基于所述最低单体电压-充电输入安时量曲线确定第二特征点;基于所述第一特征点和第二特征点对应的安时量确定实时容量差值;基于所述实时容量差值和动力电池总容量确定标准荷电状态差值。
之后,S721,将所述充电数据、车辆静置数据和车辆行驶数据按固定时长切分,并与所述标准荷电状态差值相关联。之后,S723,基于所述充电数据、车辆静置数据、车辆行驶数据和标准荷电状态差值训练初始荷电状态差值预测模型,得到目标荷电状态差值预测模型。具体的,S725-S727,将所述充电数据、车辆静置数据和车辆行驶数据输入初始荷电状态差值预测模型,得到初始荷电状态差值;基于所述初始荷电状态差值和标准荷电状态差值确定训练误差值,当所述训练误差值满足预设误差时,确定目标荷电状态差值预测模型。
之后,S729,将待预测时序数据输入所述目标荷电状态差值预测模型,得到目标荷电状态差值,所述待预测时序数据包括充电数据、车辆静置数据或车辆行驶数据中的至少一种。具体的,S731-S733,将待预测时序数据按固定时长切分,依次输入所述目标荷电状态差值预测模型,得到多个预测荷电状态差值;基于所述多个预测荷电状态差值计算平均值,确定目标荷电状态差值。
最后,S735,基于所述目标荷电状态差值确定异常自放电情况,进行内短路预警。具体的,S737,基于所述目标荷电状态差值确定目标时间段内的变化速率,基于所述变化速率和异常自放电阈值确定异常自放电情况,进行内短路预警。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的磷酸铁锂动力电池内短路预警方法的磷酸铁锂动力电池内短路预警装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个磷酸铁锂动力电池内短路预警装置实施例中的具体限定可以参见上文中对于磷酸铁锂动力电池内短路预警方法的限定,在此不再赘述。
在一个实施例中,如图8所示,提供了一种磷酸铁锂动力电池内短路预警装置800,包括:时序数据获取模块801、目标恒流充电数据确定模块803、标准荷电状态差值确定模块805、荷电状态差值预测模型训练模块807、目标荷电状态差值确定模块809和内短路预警模块811,其中:
时序数据获取模块801,用于获取磷酸铁锂动力电池时序数据,所述时序数据包括充电数据、车辆静置数据、车辆行驶数据。
目标恒流充电数据确定模块803,用于基于所述充电数据确定充电状态特征,基于所述充电状态特征进行筛选,确定目标恒流充电数据。
标准荷电状态差值确定模块805,用于基于所述目标恒流充电数据确定恒流充电状态特征,基于所述恒流充电状态特征和磷酸铁锂动力电池属性特征确定标准荷电状态差值。
荷电状态差值预测模型训练模块807,用于基于所述充电数据、车辆静置数据、车辆行驶数据和标准荷电状态差值训练初始荷电状态差值预测模型,得到目标荷电状态差值预测模型。
目标荷电状态差值确定模块809,用于将待预测时序数据输入所述目标荷电状态差值预测模型,得到目标荷电状态差值,所述待预测时序数据包括充电数据、车辆静置数据或车辆行驶数据中的至少一种。
内短路预警模块811,用于基于所述目标荷电状态差值确定异常自放电情况,进行内短路预警。
在本申请的一个实施例中,所述目标恒流充电数据确定模块还用于:
基于所述充电数据确定电压-荷电状态曲线;
基于所述电压-荷电状态曲线确定特征拐点;
基于所述特征拐点确定目标恒流充电数据。
在本申请的一个实施例中,所述标准荷电状态差值确定模块还用于:
基于所述目标恒流充电数据确定最高、最低单体电压-充电输入安时量曲线;
基于所述最高单体电压-充电输入安时量曲线确定第一特征点,基于所述最低单体电压-充电输入安时量曲线确定第二特征点;
基于所述第一特征点和第二特征点对应的安时量确定实时容量差值;
基于所述实时容量差值和动力电池总容量确定标准荷电状态差值。
所述磷酸铁锂动力电池内短路预警装置还包括时序数据预处理模块,在本申请的一个实施例中,所述时序数据预处理模块还用于:
将所述充电数据、车辆静置数据和车辆行驶数据按固定时长切分,并与所述标准荷电状态差值相关联。
在本申请的一个实施例中,所述荷电状态差值预测模型训练模块还用于:
将所述充电数据、车辆静置数据和车辆行驶数据输入初始荷电状态差值预测模型,得到初始荷电状态差值;
基于所述初始荷电状态差值和标准荷电状态差值确定训练误差值,当所述训练误差值满足预设误差时,确定目标荷电状态差值预测模型。
在本申请的一个实施例中,所述目标荷电状态差值确定模块还用于:
将待预测时序数据按固定时长切分,依次输入所述目标荷电状态差值预测模型,得到多个预测荷电状态差值;
基于所述多个预测荷电状态差值计算平均值,确定目标荷电状态差值。
在本申请的一个实施例中,所述内短路预警模块还用于:
基于所述目标荷电状态差值确定目标时间段内的变化速率,基于所述变化速率和异常自放电阈值确定异常自放电情况,进行内短路预警。
上述磷酸铁锂动力电池内短路预警装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种磷酸铁锂动力电池内短路预警方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图9中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (8)
1.一种磷酸铁锂动力电池内短路预警方法,其特征在于,所述方法包括:
获取磷酸铁锂动力电池时序数据,所述时序数据包括充电数据、车辆静置数据、车辆行驶数据;
基于所述充电数据确定充电状态特征,基于所述充电状态特征进行筛选,确定目标恒流充电数据;
基于所述目标恒流充电数据确定恒流充电状态特征,基于所述恒流充电状态特征和磷酸铁锂动力电池属性特征确定标准荷电状态差值;
基于所述充电数据、车辆静置数据、车辆行驶数据和标准荷电状态差值训练初始荷电状态差值预测模型,得到目标荷电状态差值预测模型;
将待预测时序数据输入所述目标荷电状态差值预测模型,得到目标荷电状态差值,所述待预测时序数据包括充电数据、车辆静置数据或车辆行驶数据中的至少一种;
基于所述目标荷电状态差值确定异常自放电情况,进行内短路预警;
所述基于所述充电数据确定充电状态特征,基于所述充电状态特征进行筛选,确定目标恒流充电数据包括:
基于所述充电数据确定电压-荷电状态曲线;
基于所述电压-荷电状态曲线确定特征拐点;
基于所述特征拐点确定目标恒流充电数据;
所述基于所述目标恒流充电数据确定恒流充电状态特征,基于所述恒流充电状态特征和磷酸铁锂动力电池属性特征确定标准荷电状态差值包括:
基于所述目标恒流充电数据确定最高、最低单体电压-充电输入安时量曲线;
基于所述最高单体电压-充电输入安时量曲线确定第一特征点,基于所述最低单体电压-充电输入安时量曲线确定第二特征点;
基于所述第一特征点和第二特征点对应的安时量确定实时容量差值;
基于所述实时容量差值和动力电池总容量确定标准荷电状态差值。
2.根据权利要求1所述的方法,其特征在于,所述基于所述目标恒流充电数据确定恒流充电状态特征,基于所述恒流充电状态特征和磷酸铁锂动力电池属性特征确定标准荷电状态差值之后包括:
将所述充电数据、车辆静置数据和车辆行驶数据按固定时长切分,并与所述标准荷电状态差值相关联。
3.根据权利要求1所述的方法,其特征在于,所述基于所述充电数据、车辆静置数据、车辆行驶数据和标准荷电状态差值训练初始荷电状态差值预测模型,得到目标荷电状态差值预测模型包括:
将所述充电数据、车辆静置数据和车辆行驶数据输入初始荷电状态差值预测模型,得到初始荷电状态差值;
基于所述初始荷电状态差值和标准荷电状态差值确定训练误差值,当所述训练误差值满足预设误差时,确定目标荷电状态差值预测模型。
4.根据权利要求1所述的方法,其特征在于,所述将待预测时序数据输入所述目标荷电状态差值预测模型,得到目标荷电状态差值包括:
将待预测时序数据按固定时长切分,依次输入所述目标荷电状态差值预测模型,得到多个预测荷电状态差值;
基于所述多个预测荷电状态差值计算平均值,确定目标荷电状态差值。
5.根据权利要求1所述的方法,其特征在于,所述基于所述目标荷电状态差值确定异常自放电情况,进行内短路预警包括:
基于所述目标荷电状态差值确定目标时间段内的变化速率,基于所述变化速率和异常自放电阈值确定异常自放电情况,进行内短路预警。
6.一种磷酸铁锂动力电池内短路预警装置,其特征在于,所述装置包括:
时序数据获取模块,用于获取磷酸铁锂动力电池时序数据,所述时序数据包括充电数据、车辆静置数据、车辆行驶数据;
目标恒流充电数据确定模块,用于基于所述充电数据确定充电状态特征,基于所述充电状态特征进行筛选,确定目标恒流充电数据;
标准荷电状态差值确定模块,用于基于所述目标恒流充电数据确定恒流充电状态特征,基于所述恒流充电状态特征和磷酸铁锂动力电池属性特征确定标准荷电状态差值;
荷电状态差值预测模型训练模块,用于基于所述充电数据、车辆静置数据、车辆行驶数据和标准荷电状态差值训练初始荷电状态差值预测模型,得到目标荷电状态差值预测模型;
目标荷电状态差值确定模块,用于将待预测时序数据输入所述目标荷电状态差值预测模型,得到目标荷电状态差值,所述待预测时序数据包括充电数据、车辆静置数据或车辆行驶数据中的至少一种;
内短路预警模块,用于基于所述目标荷电状态差值确定异常自放电情况,进行内短路预警;
所述基于所述充电数据确定充电状态特征,基于所述充电状态特征进行筛选,确定目标恒流充电数据包括:
基于所述充电数据确定电压-荷电状态曲线;
基于所述电压-荷电状态曲线确定特征拐点;
基于所述特征拐点确定目标恒流充电数据;
所述基于所述目标恒流充电数据确定恒流充电状态特征,基于所述恒流充电状态特征和磷酸铁锂动力电池属性特征确定标准荷电状态差值包括:
基于所述目标恒流充电数据确定最高、最低单体电压-充电输入安时量曲线;
基于所述最高单体电压-充电输入安时量曲线确定第一特征点,基于所述最低单体电压-充电输入安时量曲线确定第二特征点;
基于所述第一特征点和第二特征点对应的安时量确定实时容量差值;
基于所述实时容量差值和动力电池总容量确定标准荷电状态差值。
7.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至权利要求5中任一项所述的方法的步骤。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至权利要求5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311664953.3A CN117341477B (zh) | 2023-12-06 | 2023-12-06 | 磷酸铁锂动力电池内短路预警方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311664953.3A CN117341477B (zh) | 2023-12-06 | 2023-12-06 | 磷酸铁锂动力电池内短路预警方法、装置和计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117341477A CN117341477A (zh) | 2024-01-05 |
CN117341477B true CN117341477B (zh) | 2024-04-02 |
Family
ID=89365420
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311664953.3A Active CN117341477B (zh) | 2023-12-06 | 2023-12-06 | 磷酸铁锂动力电池内短路预警方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117341477B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112909363A (zh) * | 2021-02-05 | 2021-06-04 | 北京车和家信息技术有限公司 | 电池系统内短路预警方法、装置、介质、车载系统和车辆 |
CN113721156A (zh) * | 2021-08-30 | 2021-11-30 | 哈尔滨理工大学 | 一种用于磷酸铁锂电池的多时间尺度综合预警方法 |
CN115616410A (zh) * | 2022-09-21 | 2023-01-17 | 岚图汽车科技有限公司 | 电池异常自放电预警方法、系统、电子设备及存储介质 |
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 |
CN116256642A (zh) * | 2022-12-29 | 2023-06-13 | 厦门金龙联合汽车工业有限公司 | 一种适用于稀疏数据的磷酸铁锂电池故障诊断方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10300807B2 (en) * | 2016-02-04 | 2019-05-28 | Johnson Controls Technology Company | Systems and methods for state of charge and capacity estimation of a rechargeable battery |
US20200355749A1 (en) * | 2018-01-11 | 2020-11-12 | Semiconductor Energy Laboratory Co., Ltd. | Device detecting abnormality of secondary battery, abnormality detection method, and program |
-
2023
- 2023-12-06 CN CN202311664953.3A patent/CN117341477B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112909363A (zh) * | 2021-02-05 | 2021-06-04 | 北京车和家信息技术有限公司 | 电池系统内短路预警方法、装置、介质、车载系统和车辆 |
CN113721156A (zh) * | 2021-08-30 | 2021-11-30 | 哈尔滨理工大学 | 一种用于磷酸铁锂电池的多时间尺度综合预警方法 |
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 |
CN115616410A (zh) * | 2022-09-21 | 2023-01-17 | 岚图汽车科技有限公司 | 电池异常自放电预警方法、系统、电子设备及存储介质 |
CN116256642A (zh) * | 2022-12-29 | 2023-06-13 | 厦门金龙联合汽车工业有限公司 | 一种适用于稀疏数据的磷酸铁锂电池故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117341477A (zh) | 2024-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Guo et al. | Online estimation of SOH for lithium-ion battery based on SSA-Elman neural network | |
CN107797067B (zh) | 一种基于深度学习的锂离子电池寿命迁移预测方法 | |
Xu et al. | Life prediction of lithium-ion batteries based on stacked denoising autoencoders | |
Xu et al. | An improved CNN-LSTM model-based state-of-health estimation approach for lithium-ion batteries | |
Chang | Estimation of the state of charge for a LFP battery using a hybrid method that combines a RBF neural network, an OLS algorithm and AGA | |
Zhang et al. | Intelligent state of charge estimation of battery pack based on particle swarm optimization algorithm improved radical basis function neural network | |
Shah et al. | State of charge, remaining useful life and knee point estimation based on artificial intelligence and Machine learning in lithium-ion EV batteries: A comprehensive review | |
Ma et al. | Fault detection of lithium-ion battery packs with a graph-based method | |
CN114818831B (zh) | 基于多源感知的双向锂离子电池故障检测方法及系统 | |
Sun et al. | Adaptive evolution enhanced physics-informed neural networks for time-variant health prognosis of lithium-ion batteries | |
CN116482540A (zh) | 电池电压不一致性的分析预测方法、装置及系统 | |
Ding et al. | Diagnosis of connection fault for parallel-connected lithium-ion batteries based on long short-term memory networks | |
CN117148177A (zh) | 电池动态一致性评价方法、装置和计算机设备 | |
CN115805810A (zh) | 电池故障预测方法、装置、设备、存储介质和程序产品 | |
Bao et al. | Hybrid deep neural network with dimension attention for state-of-health estimation of Lithium-ion Batteries | |
Hu et al. | RUL prediction for lithium-ion batteries based on variational mode decomposition and hybrid network model | |
Gao et al. | A hybrid cnn-bilstm approach for remaining useful life prediction of evs lithium-ion battery | |
US20230393204A1 (en) | System and method for battery management | |
Singh et al. | State of charge estimation techniques of Li-ion battery of electric vehicles | |
CN117031292A (zh) | 电池健康状态预测方法、装置、计算机设备和存储介质 | |
CN117341477B (zh) | 磷酸铁锂动力电池内短路预警方法、装置和计算机设备 | |
Liang et al. | Data-driven state of health monitoring for maritime battery systems–a case study on sensor data from ships in operation | |
CN116184209A (zh) | 一种适用于动力电池热失控的预警方法及装置 | |
Zhang et al. | Lithium-ion battery state of health estimation based on improved deep extreme learning machine | |
CN116299006A (zh) | 电池包的健康状况预测方法、装置、设备和存储介质 |
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 |