CN117554812A - 电池热失控预警方法、装置、计算设备及存储介质 - Google Patents
电池热失控预警方法、装置、计算设备及存储介质 Download PDFInfo
- Publication number
- CN117554812A CN117554812A CN202311278473.3A CN202311278473A CN117554812A CN 117554812 A CN117554812 A CN 117554812A CN 202311278473 A CN202311278473 A CN 202311278473A CN 117554812 A CN117554812 A CN 117554812A
- Authority
- CN
- China
- Prior art keywords
- time point
- internal resistance
- sampling time
- battery
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 79
- 238000005070 sampling Methods 0.000 claims abstract description 349
- 239000000178 monomer Substances 0.000 claims abstract description 35
- 230000008569 process Effects 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims description 69
- 238000003066 decision tree Methods 0.000 claims description 19
- 238000001514 detection method Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 9
- 238000013138 pruning Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 239000007789 gas Substances 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011418 maintenance treatment Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011282 treatment 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
- 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
- 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
- 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
- G01R31/36—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
-
- 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
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种电池热失控预警方法、装置、计算设备及存储介质,属于电池技术领域。该方法包括:获取待识别电池充电过程中的充电数据,并根据充电数据,确定每个电池单体在各个采样时间点的内阻值;根据每个电池单体在各个采样时间点的内阻值,确定待识别电池的内阻极差、内阻标准差和变异系数;将内阻极差、内阻标准差和变异系数输入预先训练好的预警模型,确定待识别电池的热失控风险。上述方法将热失控风险识别简化为基于特征指标的分类问题,实现对待识别电池的热失控风险预测,能够提高热失控预警的准确性,以减少车辆热失控风险,进而减少人身和财产损失。
Description
技术领域
本发明涉及电池技术领域,尤其涉及一种电池热失控预警方法、装置、计算设备及存储介质。
背景技术
近年来,新能源车辆发生了多起热失控事故。车辆发生热失控时,电池内部热量无法散出,不断积累造成内部温度升高,正极分解析出大量氧气后,在极短时间内就会剧烈燃烧,严重威胁人民群众的生命和财产安全。
现有技术中一般是采用的单一的电压偏移及温度偏移,同时实时监测可燃气体浓度和气体压力,判断可燃气体浓度是否达到阈值,气体压力是否达到阈值,通过对不同故障赋不同故障位,故障位相加就得到总故障位,综合以上参数进行热失控预警。但是电池是一个迟滞的系统,在电池使用过程中,端电压是不断波动的,因此很难通过固定的阈值去判断电池故障,因此这种预警方式的预警准确度较低。
发明内容
为此,本发明提出了一种电池热失控预警方法,还提出了一种电池热失控预警装置、一种计算设备和一种计算机可读存储介质,旨在至少在一定程度上解决相关技术中预警准确度较低的技术问题。
为达到上述目的,本发明第一方面实施例提出了一种电池热失控预警方法,该方法包括:
获取待识别电池充电过程中的充电数据,并根据充电数据,确定每个电池单体在各个采样时间点的内阻值;
根据每个电池单体在各个采样时间点的内阻值,确定待识别电池的内阻极差、内阻标准差和变异系数;
将内阻极差、内阻标准差和变异系数输入预先训练好的预警模型,确定待识别电池的热失控风险。
根据本发明的一个实施例,充电数据包括各个采样时间点下各温度检测点的温度值、各个采样时间点对应的采样电流值、每个电池单体在各个采样时间点对应的采样电压值和电池剩余电量;
根据充电数据,确定每个电池单体在各个采样时间点的内阻值,包括:
根据各个采样时间点下各温度检测点的温度值,确定各个采样时间点对应的电池温度值;
根据各个采样时间点对应的电池温度值和每个电池单体在各个采样时间点对应的电池剩余电量,确定每个电池单体在各个采样时间点对应的开路电压值;
根据每个电池单体在各个采样时间点对应的采样电压值和开路电压值、各个采样时间点对应的采样电流值,确定每个电池单体在各个采样时间点的内阻值。
根据本发明的一个实施例,根据每个电池单体在各个采样时间点对应的采样电压值和开路电压值、各个采样时间点对应的采样电流值,确定每个电池单体在各个采样时间点的内阻值,包括:
根据目标电池单体在目标采样时间点对应的采样电压值和开路电压值、目标电池单体在上一采样时间点对应的采样电压值和开路电压值、目标采样时间点和上一采样时间点对应的采样电流值、目标采样时间点对应的第一参数和第二参数、以及预设参数,确定目标电池单体在目标采样时间点的内阻值,其中,目标电池单体是待识别电池的任一电池单体,目标采样时间点是任一采样时间点。
根据本发明的一个实施例,目标电池单体在目标采样时间点的内阻值通过如下公式确定:
φ(k)=[U(k-1)-OCV(k-1) -I(k) I(k-1)]T
Y(k)=U(k)-OCV(k)
E(k)=Y(k)-θ(k-1)Tφ(k)
其中,U(k)表示目标电池单体在目标采样时间点对应的采样电压值,OCV(k)表示目标电池单体在目标采样时间点对应的开路电压值,U(k-1)表示目标电池单体在上一采样时间点对应的采样电压值,OCV(k-1)表示目标电池单体在上一采样时间点对应的开路电压值,I(k)表示目标采样时间点对应的采样电流值,I(k-1)表示上一采样时间点对应的采样电流值,θ(k-1)表示目标采样时间点对应的第一参数,P(k-1)表示目标采样时间点对应的第二参数,β表示预设参数,K(k)E(k)表示目标电池单体在目标采样时间点的内阻值,φ(k)表示目标采样时间点对应的第三参数,K(k)表示目标采样时间点对应的第四参数,E(k)表示目标采样时间点对应的第五参数。
根据本发明的一个实施例,目标采样时间点对应的第一参数和第二参数通过如下公式确定:
θ(k-1)=θ(k-2)+K(k-1)E(k-1)
其中,θ(k-1)表示目标采样时间点对应的第一参数,P(k-1)表示目标采样时间点对应的第二参数,θ(k-2)表示上一采样时间点对应的第一参数,P(k-2)表示上一采样时间点对应的第二参数,φ(k-1)表示上一采样时间点对应的第三参数,K(k-1)表示上一采样时间点对应的第四参数,E(k-1)表示上一采样时间点对应的第五参数,K(k-1)E(k-1)表示目标电池单体在上一采样时间点的内阻值。
根据本发明的一个实施例,根据每个电池单体在各个采样时间点的内阻值,确定待识别电池的内阻极差、内阻标准差和变异系数,包括:
将待识别电池的充电过程划分为多个充电时间段,并确定每个充电时间段对应的多个采样时间点;
将每个电池单体在每个充电时间段内最后一个采样时间点的内阻值确定为每个电池单体在每个充电时间段的内阻值;
根据相同充电时间段内每个电池单体的内阻值,确定每个充电时间段对应的内阻极差;
根据每个充电时间段对应的内阻极差,确定待识别电池的内阻极差;
根据每个电池单体在每个充电时间段的内阻值和每个充电时间段内电池单体的数量,确定每个充电时间段对应的内阻标准差;
根据每个充电时间段对应的内阻标准差,确定待识别电池的内阻标准差;
根据每个充电时间段对应的内阻标准差和每个充电时间段对应的内阻平均值,确定每个充电时间段对应的变异系数;
根据每个充电时间段对应的变异系数,确定待识别电池的变异系数。
根据本发明的一个实施例,预警模型通过如下方式训练得到:
获取训练数据集,其中,训练数据集包括多组训练充电数据和每组训练充电数据对应的训练电池的真实热失控风险;
将训练数据集输入决策树模型,确定每组训练充电数据对应的训练电池的预测热失控风险;
根据训练电池的预测热失控风险和真实热失控风险,确定损失值;
基于损失值对决策树模型进行训练,直至达到训练停止条件,得到训练好的预警模型。
根据本发明的一个实施例,方法还包括:
对训练好的预警模型进行模型剪枝,得到更新后的预警模型;
相应地,将内阻极差、内阻标准差和变异系数输入预先训练好的预警模型,确定待识别电池的热失控风险,包括:
将内阻极差、内阻标准差和变异系数输入更新后的预警模型,确定待识别电池的热失控风险。
为达到上述目的,本发明第二方面实施例提出了一种电池热失控预警装置,该装置包括:
第一确定模块,被配置为获取待识别电池充电过程中的充电数据,并根据充电数据,确定每个电池单体在各个采样时间点的内阻值;
第二确定模块,被配置为根据每个电池单体在各个采样时间点的内阻值,确定待识别电池的内阻极差、内阻标准差和变异系数;
第三确定模块,被配置为将内阻极差、内阻标准差和变异系数输入预先训练好的预警模型,确定待识别电池的热失控风险。
为达到上述目的,本发明第三方面实施例提出了一种计算设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,该处理器执行计算机程序时,实现如上述第一方面任一项所述的电池热失控预警方法。
为达到上述目的,本发明第三方面实施例提出了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述第一方面任一项所述的电池热失控预警方法。
本发明实施例提供的电池热失控预警方法,获取待识别电池充电过程中的充电数据,并根据充电数据,确定每个电池单体在各个采样时间点的内阻值;根据每个电池单体在各个采样时间点的内阻值,确定待识别电池的内阻极差、内阻标准差和变异系数;将内阻极差、内阻标准差和变异系数输入预先训练好的预警模型,确定待识别电池的热失控风险。上述方法根据充电数据确定待识别电池中电池单体的内阻值,并对内阻值进行处理,得到内阻极差、内阻标准差和变异系数,并将这三种参数作为特征输入预先训练好的预警模型,将热失控风险识别简化为基于特征指标的分类问题,实现对待识别电池的热失控风险预测,能够提高热失控预警的准确性,以减少车辆热失控风险,进而减少人身和财产损失。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
图1是根据本发明实施例提供的一种电池热失控预警方法的流程图;
图2是根据本发明实施例提供的一种一阶RC等效电路模型的示意图;
图3是根据本发明实施例提供的另一种电池热失控预警方法的流程图;
图4是根据本发明实施例提供的一种电池热失控预警装置的结构示意图;
图5是根据本发明实施例提供的一种计算设备的结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
下面参考附图描述本发明实施例提出的电池热失控预警方法、装置、计算设备及存储介质。
图1是根据本发明实施例提供的一种电池热失控预警方法的流程图,该方法可以包括如下步骤。
步骤101:获取待识别电池充电过程中的充电数据,并根据充电数据,确定每个电池单体在各个采样时间点的内阻值。
在本发明实施例中,待识别电池可以是车辆中的电池,本方案的电池热失控预警可以是识别车辆是否存在热失控风险,以便在有风险时提前采取措施,减少人身和财产损失。
作为一种示例,待识别电池可以包括多个电池单体,充电数据可以包括各个采样时间点下各温度检测点的温度值、各个采样时间点对应的采样电流值、每个电池单体在各个采样时间点对应的采样电压值和电池剩余电量。其中,各温度检测点的温度值可以是车内各温度检测点的温度传感器采集的温度。
具体实现中,可以预先检测各电池单体在不同温度下的电池剩余电量(SOC,Stateof Charge)-开路电压(OCV,Open Circuit Voltage)的关系,并生成不同温度下的SOC-OCV曲线。作为一种示例,可以依据电芯产品规格书确认各电池单体的工作电压和工作温度范围,如工作电压范围是2.5V~4.2V,工作温度范围是-20℃~55℃。假设挑选-20℃、-10℃、0℃、15℃、25℃、35℃、45℃、55℃总计8个温度点,做不同温度下的SOC-OCV曲线标定。并且,为了确保后续预警算法计算结果准确性,可以选取0%、5%、10%、15%、20%、25%、30%、35%、40%、45%、50%、55%、60%、65%、70%、75%、80%、85%、90%、95%、100%总计21个SOC点测量开路电压。
在一些实施例中,根据充电数据,确定每个电池单体在各个采样时间点的内阻值的具体实现可以包括:根据各个采样时间点下各温度检测点的温度值,确定各个采样时间点对应的电池温度值;根据各个采样时间点对应的电池温度值和每个电池单体在各个采样时间点对应的电池剩余电量,确定每个电池单体在各个采样时间点对应的开路电压值;根据每个电池单体在各个采样时间点对应的采样电压值和开路电压值、各个采样时间点对应的采样电流值,确定每个电池单体在各个采样时间点的内阻值。
具体实现中,对于各个采样时间点,可以取该采样时间点下各温度检测点的温度值的平均值或中位数,作为该采样时间点对应的电池温度值。再根据电池温度值和各电池单体的电池剩余电量,从该电池单体对应的SOC-OCV曲线中确定该电池单体的开路电压值。再根据每个电池单体在各个采样时间点对应的采样电压值和开路电压值、各个采样时间点对应的采样电流值,应用带遗忘因子的递推最小二乘法(Recursive Least Squares withForgetting Factor,FFRLS),确定各电池单体在各个采样时间点的内阻值。并且,各电池单体在当前采样时间点的内阻值的计算依赖于上一采样时间点的计算。
作为一种示例,各个采样时间点对应的电池温度值的计算过程包括:
T_avg(n)=median(T1(n),T2(n),...,Tm(n)),或者,
T_avg(n)=(T1(n)+T2(n)+...+Tm(n))/m。
其中,T_avg(n)表示第n个采样时间点对应的电池温度值,median()是中值计算公式,Tm(n)表示在第n个采样时间点下第m个温度检测点的温度值,n表示采样时间点的数量,m表示温度检测点的数量即温度传感器的数量。
作为一种示例,预先生成了各电池单体在不同温度下的SOC-OCV曲线,对于任一电池单体,可以先确定该电池单体在电池温度值下的曲线,然后根据该电池单体的SOC即电池剩余容量,确定对应的OCV即开路电压值。示例性地,若该电池剩余容量不是生成SOC-OCV曲线时采样的电池剩余容量,则采用线性插值法计算该电池剩余容量对应的开路电压值。
在本发明实施例中,根据电池单体的电池剩余容量、温度和不同温度下标定的SOC-OCV曲线,应用线性插值法计算电池单体的开路电压值,简便省时,提高效率。
根据本发明的一个实施例,根据每个电池单体在各个采样时间点对应的采样电压值和开路电压值、各个采样时间点对应的采样电流值,确定每个电池单体在各个采样时间点的内阻值的具体实现可以包括:
根据目标电池单体在目标采样时间点对应的采样电压值和开路电压值、目标电池单体在上一采样时间点对应的采样电压值和开路电压值、目标采样时间点和上一采样时间点对应的采样电流值、目标采样时间点对应的第一参数和第二参数、以及预设参数,确定目标电池单体在目标采样时间点的内阻值,其中,目标电池单体是待识别电池的任一电池单体,目标采样时间点是任一采样时间点。
在本发明实施例中,计算电池单体在目标采样时间点的内阻值时,不仅需要用到电池单体在当前采样时间点对应的采样电压值、开路电压值、采样电流值以及一些参数,还需要用到电池单体在上一采样时间点对应的采样电压值、开路电压值和采样电流值。如此能够动态确定电池单体的内阻值,得到更加准确的结果。
具体实现中,可以将电池单体用一阶RC等效电路模型表示,电压、电流参考方向如图2所示,图2是根据本发明实施例提供的一种一阶RC等效电路模型的示意图。基于该等效电路模型,应用基尔霍夫电压定律和基尔霍夫电流定律,令其中τ=R1C1,可得如下公式(1):
U1,k=U1,k-1αk-1+R1,k-1Ik-1(1-αk-1)
Uk=OCVk-IkR0,k-U1,k (1)
其中,Ik表示k时刻(第k个采样时间点)的采样电流值,Uk表示k时刻电池单体的采样电压值,即电池单体正负极间端电压,OCVk表示k时刻电池单体的开路电压,U1,k为k时刻RC并联网络的电压,R0,k和R1,k-1分别是k时刻及k-1时刻电池单体的内阻值。
依据上式,可得其中:
在一些实施例中,目标电池单体在目标采样时间点的内阻值通过如下公式(2)确定:
φ(k)=[U(k-1)-OCV(k-1) -I(k) I(k-1)]T
Y(k)=U(k)-OCV(k)
E(k)=Y(k)-θ(k-1)Tφ(k)
其中,U(k)表示目标电池单体在目标采样时间点对应的采样电压值,OCV(k)表示目标电池单体在目标采样时间点对应的开路电压值,U(k-1)表示目标电池单体在上一采样时间点对应的采样电压值,OCV(k-1)表示目标电池单体在上一采样时间点对应的开路电压值,I(k)表示目标采样时间点对应的采样电流值,I(k-1)表示上一采样时间点对应的采样电流值,θ(k-1)表示目标采样时间点对应的第一参数,P(k-1)表示目标采样时间点对应的第二参数,β表示预设参数,K(k)E(k)表示目标电池单体在目标采样时间点的内阻值,φ(k)表示目标采样时间点对应的第三参数,K(k)表示目标采样时间点对应的第四参数,E(k)表示目标采样时间点对应的第五参数。
以目标采样时间点是第一个采样时间点,计算目标电池单体在目标采样时间点的内阻值为例,该第一个采样时间点对应的第一参数θ(0)和第二参数P(0)可以根据经验设置,预设参数β也可以根据经验设置,且预设参数不变。U(0)、OCV(0)和I(0)均为0,U(1)是目标电池单体在第一个采样时间点对应的采样电压值,OCV(1)是目标电池单体在第一个采样时间点对应的开路电压值,I(1)是第一个采样时间点对应的采样电流值。根据上述公式可以计算出目标采样时间点对应的第三参数φ(1)=[0 -I(1) 0]T,第四参数Y(1)=U(1)-OCV(1)以及第五参数E(1)=Y(1)-θ(0)Tφ(1),则电池单体在第一个采样时间点对应的内阻值是K(1)E(1)。
以目标采样时间点不是第一个采样时间点,计算目标电池单体在目标采样时间点的内阻值为例,该目标采样时间点对应的第一参数可以根据上一采样时间点对应的第一参数和电池单体在上一采样时间点的内阻值确定,该目标采样时间点对应的第二参数可以根据预设参数、上一采样时间点对应的第二参数、第三参数和第四参数。
根据本发明的一个实施例,目标采样时间点对应的第一参数和第二参数通过如下公式(3)确定:
θ(k-1)=θ(k-2)+K(k-1)E(k-1)
其中,θ(k-1)表示目标采样时间点对应的第一参数,P(k-1)表示目标采样时间点对应的第二参数,θ(k-2)表示上一采样时间点对应的第一参数,P(k-2)表示上一采样时间点对应的第二参数,φ(k-1)表示上一采样时间点对应的第三参数,K(k-1)表示上一采样时间点对应的第四参数,E(k-1)表示上一采样时间点对应的第五参数,K(k-1)E(k-1)表示目标电池单体在上一采样时间点的内阻值。
具体实现中,以目标采样时间点是第二个采样时间点为例,根据上述公式(3)可以确定第二个采样时间点对应的第一参数θ(1)和第二参数P(1)。如此,通过上述公式(2)和(3)可以确定出θ(1)、P(1)、Y(1)、E(1)和
作为一种示例,确定目标电池单体在第二个采样时间点的内阻值包括:先根据第二个采样时间点下各温度检测点的温度值的平均值或中位数,确定第二个采样时间点对应的电池温度值T_avg(2),再根据目标电池单体的电池剩余电量SOC(2)和电池温度值T_avg(2),在预先标定的目标电池单体在不同温度下的SOC-OCV曲线表中查出该目标电池单体的开路电压值OCV(2),然后依次使用如下公式(4)计算第二个采样时间点对应的第四参数K(2)和第五参数E(2),进而得到目标电池单体在第二个采样时间点的内阻值。
φ(2)=[U(1)-OCV(1) -I(2) I(1)]T
Y(2)=U(2)-OCV(2)
E(2)=Y(2)-θ(1)Tφ(2)
θ(2)=θ(1)+K(2)E(2)
其中,U(1)是目标电池单体在第一个采样时间点对应的采样电压值,OCV(1)是目标电池单体在第一个采样时间点对应的开路电压值,I(1)是第一个采样时间点对应的采样电流值,U(2)是目标电池单体在第二个采样时间点对应的采样电压值,OCV(2)是目标电池单体在第二个采样时间点对应的开路电压值,I(2)是第二个采样时间点对应的采样电流值,是第二采样时间点对应的第三参数,θ(1)是第二个采样时间点对应的第一参数,P(1)是第二个采样时间点对应的第二参数,K(2)和E(2)分别是第二个采样时间点对应的第四参数和第五参数,K(2)和E(2)的乘积则是目标电池单体在第二个采样时间点对应的内阻值。再根据θ(1)、/>K(2)、E(2)和P(1),可以计算得到θ(2)和P(2),即下一个采样时间点对应的第一参数和第二参数,用于下一个采样时间点对应的内阻值的计算。
通过上述各公式的结合,可以计算出待充电电池中各电池单体在各采样时间点对应的内阻值,即车辆内所有串联电池单体的内阻值。
在本发明实施例中,基于一阶RC等效电路模型和基尔霍夫电压、电流定律,使用带遗忘因子的递推最小二乘法计算各个电池单体在各采样时间点的内阻值,简化了内阻计算流程,提高了内阻计算效率。
步骤102:根据每个电池单体在各个采样时间点的内阻值,确定待识别电池的内阻极差、内阻标准差和变异系数。
在本发明实施例中,可以将待识别电池的充电过程划分为多个充电时间段,则每个充电时间段可以包括多个采样时间点,针对目标电池单体,可以将每个充电时间段中最后一个采样时间点对应的内阻值确定为该目标电池单体在该充电时间段对应的内阻值。再根据每个充电时间段内每个电池单体的内阻值,确定待识别电池的内阻极差、内阻标准差和变异系数。
其中,变异系数也可以称为离散系数,是标准差与平均值之比。并且,充电时间段可以按照预设时长对充电过程平均划分得到,且该预设时长可以根据经验设置;或者,充电时间段还可以根据电池的充电特性对充电过程划分得到,本发明实施例对此不做限定。
具体实现中,可以先确定待识别电池在每个充电时间段内的内阻极差、内阻标准差和变异系数,然后根据多个充电时间段的内阻极差确定待识别电池的内阻极差,根据多个充电时间段的内阻标准差确定待识别电池的内阻标准差,根据多个充电时间段的变异系数确定待识别电池的变异系数。
在一些实施例中,根据每个电池单体在各个采样时间点的内阻值,确定待识别电池的内阻极差、内阻标准差和变异系数的具体实现可以包括:将待识别电池的充电过程划分为多个充电时间段,并确定每个充电时间段对应的多个采样时间点;将每个电池单体在每个充电时间段内最后一个采样时间点的内阻值确定为每个电池单体在每个充电时间段的内阻值;根据相同充电时间段内每个电池单体的内阻值,确定每个充电时间段对应的内阻极差;根据每个充电时间段对应的内阻极差,确定待识别电池的内阻极差;根据每个电池单体在每个充电时间段的内阻值和每个充电时间段内电池单体的数量,确定每个充电时间段对应的内阻标准差;根据每个充电时间段对应的内阻标准差,确定待识别电池的内阻标准差;根据每个充电时间段对应的内阻标准差和每个充电时间段对应的内阻平均值,确定每个充电时间段对应的变异系数;根据每个充电时间段对应的变异系数,确定待识别电池的变异系数。
具体实现中,将充电过程划分为多个充电时间段,在每个充电时间段包括多个采样时间点,确定每个电池单体在每个采样时间点对应的内阻值后,针对目标充电时间段,可以将每个电池单体在该目标充电时间段的最后一个采样时间点的内阻值确定为每个电池单体在该目标充电时间段的内阻值。
作为一种示例,极差是指一组数据的最大值和最小值之差,用公式表示即R=max(x)-min(x),其中x为待研究对象的数据表征,在本方案中即为电池单体的内阻值。在任一目标充电时间段内,将多个电池单体对应的内阻值进行大小比较,将最大内阻值和最小内阻值的差值确定为该目标充电时间段对应的内阻极差,以此类推可以确定每个充电时间段对应的内阻极差,将多个充电时间段对应的内阻极差求平均,可以得到待识别电池的内阻极差。
示例性地,可以通过公式Ri=max(R0,i)-min(R0,i)计算每个充电时间段对应的内阻极差,其中,max(R0,i)表示第i个充电时间段内的最大内阻值,min(R0,i)表示第i个充电时间段内的最小内阻值,Ri表示第i个充电时间段的内阻极差。通过公式确定待识别电池的内阻极差,其中k表示充电过程中充电时间段的数量。
作为一种示例,标准差可以反映一个数据集的离散程度。根据目标充电时间段内各电池单体的内阻值和电池单体的数量,先确定该目标充电时间段内多个电池单体的内阻平均值,再根据内阻平均值、各电池单体的内阻值和电池单体的数量,确定该目标充电时间段对应的内阻标准差,一次类推可以确定每个充电时间段对应的内阻标准差,将多个充电时间段对应的内阻标准差求平均,可以得到待识别电池的内阻标准差。
示例性地,可以通过公式确定第i个充电时间段对应的内阻标准差,其中,si表示第i个充电时间段对应的内阻标准差,R0,j表示第i个充电时间段内第j个电池单体的内阻值,l表示第i个充电时间段内电池单体的数量,/>表示第i个充电时间段内所有内阻值的平均值。通过公式/>确定待识别电池的内阻标准差,其中k表示充电过程中充电时间段的数量。
作为一种示例,变异系数也可以称为离散系数,是标准差与平均值之比。将目标充电时间段对应的内阻标准差和内阻平均值的比值确定为目标充电时间段对应的变异系数,以此类推可以确定每个充电时间段对应的变异系数,再取多个充电时间段的变异系数的平均值,作为待识别电池的变异系数。
示例性地,可以通过公式其中,cv,i表示第i个充电时间段对应的变异系数,si表示第i个充电时间段对应的内阻标准差,/>表示第i个充电时间段内所有内阻值的平均值。通过公式/>确定待识别电池的变异系数,其中k表示充电过程中充电时间段的数量。
在本发明实施例中,根据每个电池单体在每个充电时间段对应的内阻值,使用内阻极差、内阻标准差和变异系数三个变量表征内阻特征,能够准确表征待识别电池的特性,为后续基于该三个变量识别待识别电池的热失控风险提供准确的数据基础。
步骤103:将内阻极差、内阻标准差和变异系数输入预先训练好的预警模型,确定待识别电池的热失控风险。
在本发明实施例中,预警模型可以是对决策树模型预先训练得到的,且预警模型的输出结果包括0和1,其中0表示待识别电池无热失控风险,即车辆正常,1表示待识别电池存在热失控风险,即车辆异常。
在本发明实施例中,选定内阻的极差、标准差、离散系数作为车辆特征数据,应用机器学习决策树算法对车辆进行批量风险识别,将车辆风险识别简化为基于特征指标的分类问题,提高热失控风险识别的效率和准确性。并且,根据预警模型对车辆进行批量风险识别,存在热失控风险的车辆输出结果为1,无热失控风险的车辆输出结果为0。定期输出车辆预警清单并进行相应维修处理,以避免发生热失控事故,造成人身和财产损失。
根据本发明的一个实施例,预警模型可以通过如下方式训练得到:
获取训练数据集,其中,训练数据集包括多组训练充电数据和每组训练充电数据对应的训练电池的真实热失控风险;将训练数据集输入决策树模型,确定每组训练充电数据对应的训练电池的预测热失控风险;根据训练电池的预测热失控风险和真实热失控风险,确定损失值;基于损失值对决策树模型进行训练,直至达到训练停止条件,得到训练好的预警模型。
具体实现中,训练充电数据包括正常车辆的充电数据和发生热失控风险车辆的充电数据,真实热失控标签包括1和0,1表示车辆正常无热失控风险,0表示车辆异常存在热失控风险。获取到训练数据集后,可以根据上述步骤对训练充电数据进行处理,确定各个训练电池中电池单体的内阻值,再基于内阻值确定内阻极差、内阻标准差和变异系数,得到各训练电池的特征数据,将训练电池的特征数据输入决策树模型进行处理,输出各训练电池的预测热失控风险。再根据各训练电池的预测热失控风险和真实热失控风险确定损失值,并记录迭代次数加1,若损失值大于损失阈值且迭代次数小于次数阈值,则根据训练数据集继续对决策树模型进行训练,直至达到训练停止条件即损失值小于损失阈值或迭代次数大于次数阈值,则停止训练,得到训练好的预警模型。
在一些实施例中,还可以构造测试数据集,该测试数据集也包括多组测试充电数据和每组测试充电数据对应的测试电池的真实热失控风险,在训练得到预警模型后,可以根据测试数据集对预警模型进行测试,以提高训练得到的预警模型的预警准确性。
作为一种示例,可以通过对不同的决策树模型进行训练,生成各类预警模型,并根据测试数据集对各类预警模型进行评估,评估指标包括但不限于精确率、召回率等,通过该评估结果从各类预警模型中选择最优预警模型,该最优预警模型具备判定车辆是否发生热失控风险的能力且满足预先指定预警指标。
进一步地,为了提高预警模型的泛化能力,可以通过模型压缩的方式减少决策模型中的叶子节点,不仅可以减少热失控风险识别的步骤,提高预警效率,还可以避免决策树模型对训练集数据过拟合。
因此,在训练得到预警模型后,还可以对训练好的预警模型进行模型剪枝,得到更新后的预警模型。相应地,将内阻极差、内阻标准差和变异系数输入预先训练好的预警模型,确定待识别电池的热失控风险的具体实现可以包括:将内阻极差、内阻标准差和变异系数输入更新后的预警模型,确定待识别电池的热失控风险。
具体实现中,可以在对决策树模型训练之前进行模型剪枝,再对剪枝后的决策树模型进行训练,得到训练好的预警模型。还可以在训练得到预警模型之后进行模型剪枝,得到更新后的预警模型。因此,在对待识别电池进行热失控风险识别时,可以将根据待识别电池的充电数据构造的内阻极差、内阻标准差和变异系数输入更新后的预警模型,确定该待识别电池的热失控风险,进而确定车辆是否异常,以便采取相关措施。
本发明实施例提供的电池热失控预警方法,获取待识别电池充电过程中的充电数据,并根据充电数据,确定每个电池单体各充电时间段的内阻值;根据每个电池单体在各充电时间段的内阻值,确定待识别电池的内阻极差、内阻标准差和变异系数;将内阻极差、内阻标准差和变异系数输入预先训练好的预警模型,确定待识别电池的热失控风险。上述方法基于电池SOC、温度和不同温度下标定的SOC-OCV曲线,应用线性插值法计算开路电压,简便省时,并且,基于一阶RC等效电路模型和基尔霍夫电压、电流定律,使用带遗忘因子的递推最小二乘法计算各个充电时间段内各个电池单体的内阻值,简化了内阻计算流程,并且,选定内阻极差、内阻标准差和变异系数作为车辆特征数据,应用机器学习决策树算法对车辆进行批量热失控风险识别,将热失控风险识别简化为基于特征指标的分类问题,实现了对待识别电池的热失控风险预测,能够提高热失控预警的准确性,以减少车辆热失控风险,进而减少人身和财产损失。
图3是根据本发明实施例提供的另一种电池热失控预警方法的流程图,该方法可以包括如下步骤。
步骤301:获取车辆在充电过程中的充电数据,该充电数据包括各个采样时间点下各温度检测点的温度值、各个采样时间点对应的采样电流值、每个电池单体在各个采样时间点对应的采样电压值和电池剩余电量。
步骤302:根据各个采样时间点下各温度检测点的温度值,确定各个采样时间点对应的电池温度值。
步骤303:根据各个采样时间点对应的电池温度值和每个电池单体在各个采样时间点对应的电池剩余电量,确定每个电池单体在各个采样时间点对应的开路电压值。
步骤304:根据目标电池单体在目标采样时间点对应的采样电压值和开路电压值、目标电池单体在上一采样时间点对应的采样电压值和开路电压值、目标采样时间点和上一采样时间点对应的采样电流值、目标采样时间点对应的第一参数和第二参数、以及预设参数,确定目标电池单体在目标采样时间点的内阻值,以此类推可以确定每个电池单体在每个采样时间点的内阻值。
步骤305:将充电过程划分为多个充电时间段,将每个电池单体在每个充电时间段内最后一个采样时间点的内阻值确定为每个电池单体在每个充电时间段的内阻值。
步骤306:根据每个电池单体在每个充电时间段的内阻值,确定内阻极差、内阻标准差和变异系数。
步骤307:构造训练数据集和测试数据集,根据训练数据集对各类决策树模型训练得到各类预警模型,并根据测试数据集对各类预警模型进行测试,选择最优预警模型。
步骤308:对最优预警模型进行模型剪枝处理,得到更新后的预警模型。
步骤309:将内阻极差、内阻标准差和变异系数输入更新后的预警模型,确定车辆的热失控风险。
需要说明的是,本实施例中未详细描述的内容可以参见上述实施例的相关记载,本实施例对此不再赘述。
本发明实施例提供的电池热失控预警方法,基于电池SOC、温度和不同温度下标定的SOC-OCV曲线,应用线性插值法计算开路电压,简便省时,并且,基于一阶RC等效电路模型和基尔霍夫电压、电流定律,使用带遗忘因子的递推最小二乘法计算各个充电时间段内各个电池单体的内阻值,简化了内阻计算流程,并且,选定内阻极差、内阻标准差和变异系数作为车辆特征数据,应用机器学习决策树算法对车辆进行批量热失控风险识别,将热失控风险识别简化为基于特征指标的分类问题,实现了对待识别电池的热失控风险预测,能够提高热失控预警的准确性,以减少车辆热失控风险,进而减少人身和财产损失。
图4是根据本发明实施例提供的一种电池热失控预警装置的结构示意图,该装置可以包括:
第一确定模块401,被配置为获取待识别电池充电过程中的充电数据,并根据所述充电数据,确定每个电池单体在各个采样时间点的内阻值;
第二确定模块402,被配置为根据每个电池单体在各个采样时间点的内阻值,确定所述待识别电池的内阻极差、内阻标准差和变异系数;
第三确定模块403,被配置为将所述内阻极差、内阻标准差和变异系数输入预先训练好的预警模型,确定所述待识别电池的热失控风险。
根据本发明的一个实施例,充电数据包括各个采样时间点下各温度检测点的温度值、各个采样时间点对应的采样电流值、每个电池单体在各个采样时间点对应的采样电压值和电池剩余电量;
第一确定模块401,进一步被配置为:
根据各个采样时间点下各温度检测点的温度值,确定各个采样时间点对应的电池温度值;
根据各个采样时间点对应的电池温度值和每个电池单体在各个采样时间点对应的电池剩余电量,确定每个电池单体在各个采样时间点对应的开路电压值;
根据每个电池单体在各个采样时间点对应的采样电压值和开路电压值、各个采样时间点对应的采样电流值,确定每个电池单体在各个采样时间点的内阻值。
根据本发明的一个实施例,第一确定模块401,进一步被配置为:
根据目标电池单体在目标采样时间点对应的采样电压值和开路电压值、目标电池单体在上一采样时间点对应的采样电压值和开路电压值、目标采样时间点和上一采样时间点对应的采样电流值、目标采样时间点对应的第一参数和第二参数、以及预设参数,确定目标电池单体在目标采样时间点的内阻值,其中,目标电池单体是待识别电池的任一电池单体,目标采样时间点是任一采样时间点。
根据本发明的一个实施例,第一确定模块401,进一步被配置为:
φ(k)=[U(k-1)-OCV(k-1) -I(k) I(k-1)]T
Y(k)=U(k)-OCV(k)
E(k)=Y(k)-θ(k-1)Tφ(k)
其中,U(k)表示目标电池单体在目标采样时间点对应的采样电压值,OCV(k)表示目标电池单体在目标采样时间点对应的开路电压值,U(k-1)表示目标电池单体在上一采样时间点对应的采样电压值,OCV(k-1)表示目标电池单体在上一采样时间点对应的开路电压值,I(k)表示目标采样时间点对应的采样电流值,I(k-1)表示上一采样时间点对应的采样电流值,θ(k-1)表示目标采样时间点对应的第一参数,P(k-1)表示目标采样时间点对应的第二参数,β表示预设参数,K(k)E(k)表示目标电池单体在目标采样时间点的内阻值,φ(k)表示目标采样时间点对应的第三参数,K(k)表示目标采样时间点对应的第四参数,E(k)表示目标采样时间点对应的第五参数。
根据本发明的一个实施例,第一确定模块401,进一步被配置为:
θ(k-1)=θ(k-2)+K(k-1)E(k-1)
其中,θ(k-1)表示目标采样时间点对应的第一参数,P(k-1)表示目标采样时间点对应的第二参数,θ(k-2)表示上一采样时间点对应的第一参数,P(k-2)表示上一采样时间点对应的第二参数,φ(k-1)表示上一采样时间点对应的第三参数,K(k-1)表示上一采样时间点对应的第四参数,E(k-1)表示上一采样时间点对应的第五参数,K(k-1)E(k-1)表示目标电池单体在上一采样时间点的内阻值。
根据本发明的一个实施例,第二确定模块402,进一步被配置为:
将待识别电池的充电过程划分为多个充电时间段,并确定每个充电时间段对应的多个采样时间点;
将每个电池单体在每个充电时间段内最后一个采样时间点的内阻值确定为每个电池单体在每个充电时间段的内阻值;
根据相同充电时间段内每个电池单体的内阻值,确定每个充电时间段对应的内阻极差;
根据每个充电时间段对应的内阻极差,确定待识别电池的内阻极差;
根据每个电池单体在每个充电时间段的内阻值和每个充电时间段内电池单体的数量,确定每个充电时间段对应的内阻标准差;
根据每个充电时间段对应的内阻标准差,确定待识别电池的内阻标准差;
根据每个充电时间段对应的内阻标准差和每个充电时间段对应的内阻平均值,确定每个充电时间段对应的变异系数;
根据每个充电时间段对应的变异系数,确定待识别电池的变异系数。
根据本发明的一个实施例,该装置还包括训练模块,该训练模块被配置为:
获取训练数据集,其中,训练数据集包括多组训练充电数据和每组训练充电数据对应的训练电池的真实热失控风险;
将训练数据集输入决策树模型,确定每组训练充电数据对应的训练电池的预测热失控风险;
根据训练电池的预测热失控风险和真实热失控风险,确定损失值;
基于损失值对决策树模型进行训练,直至达到训练停止条件,得到训练好的预警模型。
根据本发明的一个实施例,第三确定模块403,进一步被配置为:
对训练好的预警模型进行模型剪枝,得到更新后的预警模型;
将内阻极差、内阻标准差和变异系数输入更新后的预警模型,确定待识别电池的热失控风险。
应用本发明实施例提供的电池热失控预警方法,获取待识别电池充电过程中的充电数据,并根据充电数据,确定每个电池单体在各个采样时间点的内阻值;根据每个电池单体在各个采样时间点的内阻值,确定待识别电池的内阻极差、内阻标准差和变异系数;将内阻极差、内阻标准差和变异系数输入预先训练好的预警模型,确定待识别电池的热失控风险。上述方法根据充电数据确定待识别电池中电池单体的内阻值,并对内阻值进行处理,得到内阻极差、内阻标准差和变异系数,并将这三种参数作为特征输入预先训练好的预警模型,将热失控风险识别简化为基于特征指标的分类问题,实现对待识别电池的热失控风险预测,能够提高热失控预警的准确性,以减少车辆热失控风险,进而减少人身和财产损失。
上述为本发明实施例的一种电池热失控预警装置的示意性方案。需要说明的是,该电池热失控预警装置的技术方案与上述电池热失控预警方法的技术方案属于同一构思,电池热失控预警装置的技术方案未详细描述的细节内容,均可以参见上述电池热失控预警方法的技术方案的描述。
图5是根据本发明实施例提供的一种计算设备的结构示意图。该计算设备500包括:存储器501、处理器502及存储在存储器501上并可在处理器502上运行的计算机程序,该处理器502执行该计算机程序时,实现如上述任一实施例提出的一种电池热失控预警方法。
本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述任一实施例提出的一种电池热失控预警方法。
需要说明的是,在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM,Random Access Memory),只读存储器(ROM,Read-Only Memory),可擦除可编辑只读存储器(EPROM,Erasable Programmable Read-Only Memory或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM,Compact Disk Read Only Memory)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA,Programmable Gate Array),现场可编程门阵列(FPGA,Field Programmable Gate Array)等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
此外,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者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系,除非另有明确的限定。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (11)
1.一种电池热失控预警方法,其特征在于,所述方法包括:
获取待识别电池充电过程中的充电数据,并根据所述充电数据,确定每个电池单体在各个采样时间点的内阻值;
根据每个电池单体在各个采样时间点的内阻值,确定所述待识别电池的内阻极差、内阻标准差和变异系数;
将所述内阻极差、内阻标准差和变异系数输入预先训练好的预警模型,确定所述待识别电池的热失控风险。
2.根据权利要求1所述的方法,其特征在于,所述充电数据包括各个采样时间点下各温度检测点的温度值、各个采样时间点对应的采样电流值、每个电池单体在各个采样时间点对应的采样电压值和电池剩余电量;
所述根据所述充电数据,确定每个电池单体在各个采样时间点的内阻值,包括:
根据各个采样时间点下各温度检测点的温度值,确定各个采样时间点对应的电池温度值;
根据各个采样时间点对应的电池温度值和每个电池单体在各个采样时间点对应的电池剩余电量,确定每个电池单体在各个采样时间点对应的开路电压值;
根据每个电池单体在各个采样时间点对应的采样电压值和开路电压值、各个采样时间点对应的采样电流值,确定每个电池单体在各个采样时间点的内阻值。
3.根据权利要求2所述的方法,其特征在于,所述根据每个电池单体在各个采样时间点对应的采样电压值和开路电压值、各个采样时间点对应的采样电流值,确定每个电池单体在各个采样时间点的内阻值,包括:
根据目标电池单体在目标采样时间点对应的采样电压值和开路电压值、所述目标电池单体在上一采样时间点对应的采样电压值和开路电压值、所述目标采样时间点和所述上一采样时间点对应的采样电流值、所述目标采样时间点对应的第一参数和第二参数、以及预设参数,确定所述目标电池单体在所述目标采样时间点的内阻值,其中,所述目标电池单体是所述待识别电池的任一电池单体,所述目标采样时间点是任一采样时间点。
4.根据权利要求3所述的方法,其特征在于,所述目标电池单体在所述目标采样时间点的内阻值通过如下公式确定:
φ(k)=[U(k-1)-OCV(k-1) -I(k) I(k-1)]T
Y(k)=U(k)-OCV(k)
E(k)=Y(k)-θ(k-1)Tφ(k)
其中,U(k)表示所述目标电池单体在所述目标采样时间点对应的采样电压值,OCV(k)表示所述目标电池单体在所述目标采样时间点对应的开路电压值,U(k-1)表示所述目标电池单体在所述上一采样时间点对应的采样电压值,OCV(k-1)表示所述目标电池单体在所述上一采样时间点对应的开路电压值,I(k)表示所述目标采样时间点对应的采样电流值,I(k-1)表示所述上一采样时间点对应的采样电流值,θ(k-1)表示所述目标采样时间点对应的第一参数,P(k-1)表示所述目标采样时间点对应的第二参数,β表示预设参数,K(k)E(k)表示所述目标电池单体在所述目标采样时间点的内阻值,φ(k)表示所述目标采样时间点对应的第三参数,K(k)表示所述目标采样时间点对应的第四参数,E(k)表示所述目标采样时间点对应的第五参数。
5.根据权利要求4所述的方法,其特征在于,所述目标采样时间点对应的第一参数和第二参数通过如下公式确定:
θ(k-1)=θ(k-2)+K(k-1)E(k-1)
其中,θ(k-1)表示所述目标采样时间点对应的第一参数,P(k-1)表示所述目标采样时间点对应的第二参数,θ(k-2)表示所述上一采样时间点对应的第一参数,P(k-2)表示所述上一采样时间点对应的第二参数,φ(k-1)表示所述上一采样时间点对应的第三参数,K(k-1)表示所述上一采样时间点对应的第四参数,E(k-1)表示所述上一采样时间点对应的第五参数,K(k-1)E(k-1)表示所述目标电池单体在所述上一采样时间点的内阻值。
6.根据权利要求3-5任一项所述的方法,其特征在于,所述根据每个电池单体在各个采样时间点的内阻值,确定所述待识别电池的内阻极差、内阻标准差和变异系数,包括:
将所述待识别电池的充电过程划分为多个充电时间段,并确定每个充电时间段对应的多个采样时间点;
将每个电池单体在每个充电时间段内最后一个采样时间点的内阻值确定为每个电池单体在每个充电时间段的内阻值;
根据相同充电时间段内每个电池单体的内阻值,确定每个充电时间段对应的内阻极差;
根据每个充电时间段对应的内阻极差,确定所述待识别电池的内阻极差;
根据每个电池单体在每个充电时间段的内阻值和每个充电时间段内电池单体的数量,确定每个充电时间段对应的内阻标准差;
根据每个充电时间段对应的内阻标准差,确定所述待识别电池的内阻标准差;
根据所述每个充电时间段对应的内阻标准差和每个充电时间段对应的内阻平均值,确定每个充电时间段对应的变异系数;
根据每个充电时间段对应的变异系数,确定所述待识别电池的变异系数。
7.根据权利要求1-5任一项所述的方法,其特征在于,所述预警模型通过如下方式训练得到:
获取训练数据集,其中,所述训练数据集包括多组训练充电数据和每组训练充电数据对应的训练电池的真实热失控风险;
将所述训练数据集输入决策树模型,确定每组训练充电数据对应的训练电池的预测热失控风险;
根据所述训练电池的预测热失控风险和真实热失控风险,确定损失值;
基于所述损失值对所述决策树模型进行训练,直至达到训练停止条件,得到训练好的预警模型。
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:
对所述训练好的预警模型进行模型剪枝,得到更新后的预警模型;
相应地,将所述内阻极差、内阻标准差和变异系数输入预先训练好的预警模型,确定所述待识别电池的热失控风险,包括:
将所述内阻极差、内阻标准差和变异系数输入所述更新后的预警模型,确定所述待识别电池的热失控风险。
9.一种电池热失控预警装置,其特征在于,所述装置包括:
第一确定模块,被配置为获取待识别电池充电过程中的充电数据,并根据所述充电数据,确定每个电池单体在各个采样时间点的内阻值;
第二确定模块,被配置为根据每个电池单体在各个采样时间点的内阻值,确定所述待识别电池的内阻极差、内阻标准差和变异系数;
第三确定模块,被配置为将所述内阻极差、内阻标准差和变异系数输入预先训练好的预警模型,确定所述待识别电池的热失控风险。
10.一种计算设备,其特征在于,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现如权利要求1-8任一项所述的电池热失控预警方法。
11.一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,该程序被处理器执行时实现如权利要求1-8任一项所述的电池热失控预警方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311278473.3A CN117554812A (zh) | 2023-09-28 | 2023-09-28 | 电池热失控预警方法、装置、计算设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311278473.3A CN117554812A (zh) | 2023-09-28 | 2023-09-28 | 电池热失控预警方法、装置、计算设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117554812A true CN117554812A (zh) | 2024-02-13 |
Family
ID=89813571
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311278473.3A Pending CN117554812A (zh) | 2023-09-28 | 2023-09-28 | 电池热失控预警方法、装置、计算设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117554812A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118003893A (zh) * | 2024-04-09 | 2024-05-10 | 湖南工程学院 | 一种新能源汽车驱动装置运行管理方法 |
-
2023
- 2023-09-28 CN CN202311278473.3A patent/CN117554812A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118003893A (zh) * | 2024-04-09 | 2024-05-10 | 湖南工程学院 | 一种新能源汽车驱动装置运行管理方法 |
CN118003893B (zh) * | 2024-04-09 | 2024-06-07 | 湖南工程学院 | 一种新能源汽车驱动装置运行管理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111208439B (zh) | 一种串联锂离子电池组微短路故障定量检测方法 | |
CN111551860B (zh) | 一种基于弛豫电压特征的电池内短路诊断方法 | |
KR102633335B1 (ko) | 리튬이온 배터리팩의 비정상 셀 검출 및 soh 예측 방법 | |
CN111007401A (zh) | 一种基于人工智能的电动汽车电池故障诊断方法及设备 | |
CN111505532A (zh) | 基于soc相关系数的串联锂电池组早期内短路在线检测方法 | |
CN117554812A (zh) | 电池热失控预警方法、装置、计算设备及存储介质 | |
CN112924885B (zh) | 基于增量容量曲线峰值高度的电池内短路定量诊断方法 | |
US20230003805A1 (en) | Method for estimating the state of an energy store | |
US20220373609A1 (en) | State Value for Rechargeable Batteries | |
CN111965545A (zh) | 锂电池自放电检测方法、装置及系统 | |
CN114035086B (zh) | 基于信号处理的电池组多故障诊断方法 | |
CN111781503A (zh) | 一种锂离子储能电池soc在线估算方法 | |
CN116106758B (zh) | 基于数据驱动的电池故障诊断方法及系统 | |
CN113447828A (zh) | 一种基于贝叶斯神经网络的锂电池温度估计方法及系统 | |
CN116203490A (zh) | 传感器故障诊断方法、装置、设备及存储介质 | |
Chen et al. | State of health estimation for lithium-ion battery based on long short term memory networks | |
CN115219905A (zh) | 一种电池内短路在线检测方法、装置及存储介质 | |
CN115308628A (zh) | 一种电池健康状态监测方法 | |
CN114487846A (zh) | 电池电化学阻抗谱在线估计方法及装置 | |
CN114609523A (zh) | 一种电池容量的在线检测方法、电子设备及存储介质 | |
Yu et al. | Multi-Fault Diagnosis of Lithium-Ion battery systems based on correlation Coefficient and similarity Approaches | |
CN116047339A (zh) | 基于热电耦合模型的锂离子电池组soc估计方法及装置 | |
CN116125284A (zh) | 一种锂离子电池内部短路诊断方法及系统 | |
CN114720901A (zh) | 一种锂离子电池健康状态估计的方法 | |
KR102595386B1 (ko) | 신경회로망을 이용한 배터리의 상태 추정과 모니터링 방법 및 장치 |
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 |