CN117786460A - 一种电芯衰减异常识别算法 - Google Patents
一种电芯衰减异常识别算法 Download PDFInfo
- Publication number
- CN117786460A CN117786460A CN202311843112.9A CN202311843112A CN117786460A CN 117786460 A CN117786460 A CN 117786460A CN 202311843112 A CN202311843112 A CN 202311843112A CN 117786460 A CN117786460 A CN 117786460A
- Authority
- CN
- China
- Prior art keywords
- current
- battery cell
- vehicle
- working condition
- real
- 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
- 230000002159 abnormal effect Effects 0.000 claims abstract description 41
- 238000012544 monitoring process Methods 0.000 claims abstract description 10
- 238000005259 measurement Methods 0.000 claims abstract description 7
- 238000012790 confirmation Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 22
- 238000007599 discharging Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 230000005856 abnormality Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 abstract description 6
- 239000000178 monomer Substances 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 3
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 229910052744 lithium Inorganic materials 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Landscapes
- Secondary Cells (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本发明涉及一种电芯衰减异常识别算法，其包括以下步骤：步骤一：获取实车数据，通过新能源汽车云平台的监测采集模块获取车辆的实时大数据；步骤二：判断实时工况，通过新能源汽车云平台的后台判断模块识别判断车辆的实时工况；步骤三：建立预测模型，新能源汽车云平台的后台建模模块根据实时工况建立预测模型，通过参数辨识出关键的异常电芯参数；步骤四：熵值测算确认：通过新能源汽车云平台的熵值测算模块对车辆的电芯参数进行熵值法测算，最终判断车辆是否为电芯衰减异常并确认衰减异常车辆的电芯编号。该算法适应性强，综合考虑实车工况，无需额外测试，估计准确度高。
Description
技术领域
本发明涉及识别算法技术领域，具体涉及一种电芯衰减异常识别算法。
背景技术
车辆续驶里程衰减问题是当今新能源汽车使用的一大痛点，如何延长动力电池系统的使用寿命，如何解决车辆续驶里程的异常衰减问题，是当前亟待解决的。目前造成续驶里程衰减的主要原因是电池寿命衰减，主要体现在系统容量的衰减、电芯一致性差异、电芯容量异常衰减等等。因此，电池寿命估计就是当前重要的研究课题。
动力电池系统是由数百单体电芯通过串并联方式集成起来，单个电芯的异常衰减对整个电池系统的可用容量影响较大，直接影响车辆续驶里程，另外，电芯异常的识别同时需要区分是电芯衰减异常还是电芯间的一致性较差，容量未对齐造成的假象。而当前电芯异常的主要表征参数是容量衰减和内阻增加，主要的产生原因是大倍率充放电、低温充电、循环老化、高温存储、机械滥用、热滥用以及制造偏差等。这些表征参数无法准确在实车工况上测量，无法实时估计预测获取异常电芯的情况，往往整车续驶里程严重偏低时，才能通过售后端口排查出异常电芯。因此，为了能够准确预测发现异常衰减电芯，售后及时响应，最大限度的提升整车的续驶里程。
目前电池寿命预测常用的一种测试方法是设定条件下的循环试验，通常认为剩余容量到达初始容量的80％时，动力电池使用寿命达到极限。然而，在实际车辆使用中，因为使用工况与测试工况的差异性，会出现个别异常电芯循环寿命未到期望值，剩余容量即衰减至80％初始值以下的情况，即电池在循环过程中个别电芯发生容量失效。当前的技术研究方向主要是两种，一种是基于锂电池容量的测量和容量的衰减来进行电池寿命的估计，另一种是通过测量锂电池内阻来进行电池寿命的估计。第一种方法因单一容量计算方式很容易引入误差，造成估计结果的偏差，第二种方法测量难度较大，实际车辆工况下无法广泛使用。
因此，基于现有衰减分析方法，本专利提出一种基于大数据分析的电芯衰减异常识别算法，该算法适应性强，综合考虑实车工况，无需额外测试，估计准确度高，是车辆运行阶段的失效分析领域亟需解决的技术问题。
发明内容
针对现有技术存在上述技术问题，本发明提供一种电芯衰减异常识别算法，该算法适应性强，无需额外匹配经验参数，特征参数计算准确度高，根据统计理论得出高耗能用户模型，有效解决车辆续驶里程衰减失效分析领域亟需解决的技术问题。
为实现上述目的，本发明提供以下技术方案：
一种电芯衰减异常识别算法，其包括以下步骤：
步骤一：获取实车数据，通过新能源汽车云平台的监测采集模块获取车辆的实时大数据，该实时大数据包括采样时间、整车电压与电流、故障告警、单体电芯电压、单体电芯温度、SOC、整车运行状态、运行模式、车速、累计里程、档位、加速踏板行程以及制动踏板行程等信号；
步骤二：判断实时工况，通过新能源汽车云平台的监测采集模块将步骤一中采集获取的实时大数据反馈给新能源汽车云平台的后台辨识模块，通过新能源汽车云平台的后台判断模块识别判断车辆的实时工况，该实时工况包括持续充电工况、充电降流工况、小电流放电工况、静置工况以及低SOC端大倍率放电工况等工况；
步骤三：建立预测模型，通过新能源汽车云平台的后台辨识模块将步骤二中识别出来的实时工况反馈给新能源汽车云平台的后台建模模块，新能源汽车云平台的后台建模模块根据实时工况建立预测模型，通过预测模型与参数辨识出关键的异常电芯参数；
步骤四：熵值测算确认：通过新能源汽车云平台的后台建模模块将车辆的电芯编号反馈给新能源汽车云平台的熵值测算模块，通过新能源汽车云平台的熵值测算模块对车辆的电芯参数进行熵值法测算，最终判断车辆是否为电芯衰减异常并确认衰减异常车辆的电芯编号。
作为对上述技术方案的进一步阐述：
在上述技术方案中，在步骤二中，根据采样时间和系统电流来判断静置工况；分别进行持续进行30min、60min或2h的实时监测，若当前系统电流持续为0电流时，则判断当前实时工况为静置工况30min、静置工况60min、静置工况2h。
在上述技术方案中，在步骤二中，根据系统SOC、系统电流、运行模式以及档位和加速踏板等数据来判断放电末端大倍率放电工况；若当SOC低于30％时，系统电流持续运行在最大允许的持续放电电流区间，单体电压下降达到轻微欠压阈值时，则判断当前实时工况为放电末端大倍率放电工况。
在上述技术方案中，在步骤二中，根据系统SOC、系统电流、单体电压、运行模式以及档位等数据来判断充电降流工况；若当车辆处于充电状态，单体电压达到降流点电压，并且系统总压开始下降，系统电流开始下降，SOC持续上升时，则判断当前实时工况为充电末端降流工况。
在上述技术方案中，在步骤三中，根据静置工况，可辨识出当前OCV查表值的SOCnin和SOCmax，计算出当前的SOC差值，SOC差值的计算公式为ΔSOC＝SOCmax-SOCmin，若ΔSOC差异过大，则认为当前SOCmin对应的单体电芯存在异常衰减的可能性。
在上述技术方案中，在步骤三中，根据放电末端大倍率放电工况，获取大倍率放电时最低电芯电压对应的电芯，结合内阻预测的方法，获取静置后电压波动情况计算电芯的内阻值，若当前电芯的内阻过大，则认为当前最低单体电压对应的单体电芯存在异常衰减的可能性。
在上述技术方案中，在步骤三中，根据充电末端降流工况，获取降流阶段的单体电压变化率，当降流阶段时，单体电压变化率异常的电芯，则认为当前单体电压对应的单体电芯存在异常衰减的可能性。
在上述技术方案中，在步骤四中，通过熵值法来对持续充电工况、充电降流工况、小电流放电工况、静置工况以及低SOC端大倍率放电工况等进行权重赋值，预测出权重最大的电芯编号，故得出该车辆的电芯存在异常衰减的可能性，重点关注跟踪。
本发明的有益效果：
本发明基于车辆运行的大数据实时分析识别异常容量衰减电芯，并触发警告，提醒司机尽快维修替换，避免异常电芯影响车辆动力电池系统一致性，导致续航里程衰减问题。从而替换目前现有的解决方案，该算法适应性强，无需额外匹配经验参数，特征参数计算准确度高，根据算法去识别整车数据的工况，匹配到符合预测模型的对应工况，能准确计算出最小SOC对应的单体电芯编号，该方法无需额外的测试过程，也无需拆解电池，操作方法简单易行，且适用范围广，具有极大的市场应用前景。
具体实施方式
以下结合具体实施例对本发明进行详细说明。
本实施例提供一种电芯衰减异常识别算法，其包括以下步骤：
步骤一：获取实车数据，通过新能源汽车云平台的监测采集模块获取车辆的实时大数据，该实时大数据包括采样时间、整车电压与电流、故障告警、单体电芯电压、单体电芯温度、SOC、整车运行状态、运行模式、车速、累计里程、档位、加速踏板行程以及制动踏板行程等信号；
步骤二：判断实时工况，通过新能源汽车云平台的监测采集模块将步骤一中采集获取的实时大数据反馈给新能源汽车云平台的后台辨识模块，通过新能源汽车云平台的后台判断模块识别判断车辆的实时工况，该实时工况包括持续充电工况、充电降流工况、小电流放电工况、静置工况以及低SOC端大倍率放电工况等工况；
步骤三：建立预测模型，通过新能源汽车云平台的后台辨识模块将步骤二中识别出来的实时工况反馈给新能源汽车云平台的后台建模模块，新能源汽车云平台的后台建模模块根据实时工况建立预测模型，通过预测模型与参数辨识出关键的异常电芯参数；
步骤四：熵值测算确认：通过新能源汽车云平台的后台建模模块将车辆的电芯编号反馈给新能源汽车云平台的熵值测算模块，通过新能源汽车云平台的熵值测算模块对车辆的电芯参数进行熵值法测算，最终判断车辆是否为电芯衰减异常并确认衰减异常车辆的电芯编号。
作为本发明的进一步改进，在步骤二中，根据采样时间和系统电流来判断静置工况；分别进行持续进行30min、60min或2h的实时监测，若当前系统电流持续为0电流时，则判断当前实时工况为静置工况30min、静置工况60min、静置工况2h。
作为本发明的进一步改进，在步骤二中，根据系统SOC、系统电流、运行模式以及档位和加速踏板等数据来判断放电末端大倍率放电工况；若当SOC低于30％时，系统电流持续运行在最大允许的持续放电电流区间，单体电压下降达到轻微欠压阈值时，则判断当前实时工况为放电末端大倍率放电工况。
作为本发明的进一步改进，在步骤二中，根据系统SOC、系统电流、单体电压、运行模式以及档位等数据来判断充电降流工况；若当车辆处于充电状态，单体电压达到降流点电压，并且系统总压开始下降，系统电流开始下降，SOC持续上升时，则判断当前实时工况为充电末端降流工况。
作为本发明的进一步改进，在步骤三中，根据静置工况，可辨识出当前OCV查表值的SOCmin和SOCmax，计算出当前的SOC差值，SOC差值的计算公式为ΔSOC＝SOCmax-SOCmin，若ΔSOC差异过大，则认为当前SOCmin对应的单体电芯存在异常衰减的可能性。
作为本发明的进一步改进，在步骤三中，根据放电末端大倍率放电工况，获取大倍率放电时最低电芯电压对应的电芯，结合内阻预测的方法，获取静置后电压波动情况计算电芯的内阻值，若当前电芯的内阻过大，则认为当前最低单体电压对应的单体电芯存在异常衰减的可能性。
作为本发明的进一步改进，在步骤三中，根据充电末端降流工况，获取降流阶段的单体电压变化率，当降流阶段时，单体电压变化率异常的电芯，则认为当前单体电压对应的单体电芯存在异常衰减的可能性。
作为本发明的进一步改进，在步骤四中，通过熵值法来对持续充电工况、充电降流工况、小电流放电工况、静置工况以及低SOC端大倍率放电工况等进行权重赋值，预测出权重最大的电芯编号，故得出该车辆的电芯存在异常衰减的可能性，重点关注跟踪。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。
Claims (8)
1.一种电芯衰减异常识别算法，其特征在于，其包括以下步骤：
步骤一：获取实车数据，通过新能源汽车云平台的监测采集模块获取车辆的实时大数据，该实时大数据包括采样时间、整车电压与电流、故障告警、单体电芯电压、单体电芯温度、SOC、整车运行状态、运行模式、车速、累计里程、档位、加速踏板行程以及制动踏板行程等信号；
步骤二：判断实时工况，通过新能源汽车云平台的监测采集模块将步骤一中采集获取的实时大数据反馈给新能源汽车云平台的后台辨识模块，通过新能源汽车云平台的后台判断模块识别判断车辆的实时工况，该实时工况包括持续充电工况、充电降流工况、小电流放电工况、静置工况以及低SOC端大倍率放电工况等工况；
步骤三：建立预测模型，通过新能源汽车云平台的后台辨识模块将步骤二中识别出来的实时工况反馈给新能源汽车云平台的后台预测模块，新能源汽车云平台的后台建模模块根据实时工况建立预测模型，通过预测模型与参数辨识出关键的异常电芯参数；
步骤四：熵值测算确认：通过新能源汽车云平台的后台建模模块将车辆的电芯编号反馈给新能源汽车云平台的熵值测算模块，通过新能源汽车云平台的熵值测算模块对异常车辆的电芯参数进行熵值法测算，最终判断车辆是否为电芯衰减异常并确认衰减异常车辆的电芯编号。
2.根据权利要求1所述的一种电芯衰减异常识别算法，其特征在于，在步骤二中，根据采样时间和系统电流来判断静置工况；分别进行持续进行30min、60min或2h的实时监测，若当前系统电流持续为0电流时，则判断当前实时工况为静置工况30min、静置工况60min、静置工况2h。
3.根据权利要求1所述的一种电芯衰减异常识别算法，其特征在于，在步骤二中，根据系统SOC、系统电流、运行模式以及档位和加速踏板等数据来判断放电末端大倍率放电工况；若当SOC低于30％时，系统电流持续运行在最大允许的持续放电电流区间，单体电压下降达到轻微欠压阈值时，则判断当前实时工况为放电末端大倍率放电工况。
4.根据权利要求1所述的一种电芯衰减异常识别算法，其特征在于，在步骤二中，根据系统SOC、系统电流、单体电压、运行模式以及档位等数据来判断充电降流工况；若当车辆处于充电状态，单体电压达到降流点电压，并且系统总压开始下降，系统电流开始下降，SOC持续上升时，则判断当前实时工况为充电末端降流工况。
5.根据权利要求2所述的一种电芯衰减异常识别算法，其特征在于，在步骤三中，根据静置工况，可辨识出当前OCV查表值的SOCmin和SOCmax，计算出当前的SOC差值，SOC差值的计算公式为ΔSOC＝SOCmax-SOCmin，若ΔSOC差异过大，则认为当前SOCmin对应的单体电芯存在异常衰减的可能性。
6.根据权利要求3所述的一种电芯衰减异常识别算法，其特征在于，在步骤三中，根据放电末端大倍率放电工况，获取大倍率放电时最低电芯电压对应的电芯，结合内阻预测的方法，获取静置后电压波动情况计算电芯的内阻值，若当前电芯的内阻过大，则认为当前最低单体电压对应的单体电芯存在异常衰减的可能性。
7.根据权利要求4所述的一种电芯衰减异常识别算法，其特征在于，在步骤三中，根据充电末端降流工况，获取降流阶段的单体电压变化率，当降流阶段时，单体电压变化率异常的电芯，则认为当前单体电压对应的单体电芯存在异常衰减的可能性。
8.根据权利要求1所述的一种电芯衰减异常识别算法，其特征在于，在步骤四中，通过熵值法来对持续充电工况、充电降流工况、小电流放电工况、静置工况以及低SOC端大倍率放电工况等进行权重赋值，预测出权重最大的电芯编号，故得出该车辆的电芯存在异常衰减的可能性，重点关注跟踪。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311843112.9A CN117786460A (zh) | 2023-12-28 | 2023-12-28 | 一种电芯衰减异常识别算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311843112.9A CN117786460A (zh) | 2023-12-28 | 2023-12-28 | 一种电芯衰减异常识别算法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117786460A true CN117786460A (zh) | 2024-03-29 |
Family
ID=90392556
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311843112.9A Pending CN117786460A (zh) | 2023-12-28 | 2023-12-28 | 一种电芯衰减异常识别算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117786460A (zh) |
-
2023
- 2023-12-28 CN CN202311843112.9A patent/CN117786460A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114284589B (zh) | 一种基于互联网的锂电池智能监测管理系统 | |
| CN111257755B (zh) | 一种预防性检测诊断电池包方法 | |
| CN115494404B (zh) | 一种蓄电池组在线监测方法 | |
| CN112255560B (zh) | 一种电池电芯健康度预测方法 | |
| CN111123148B (zh) | 一种判断金属二次电池内短路的方法及设备 | |
| CN110920400B (zh) | 纯电动汽车的电池系统一致性故障诊断与整车处理方法 | |
| CN110422049A (zh) | 一种机车电池组监测控制系统 | |
| CN111579121A (zh) | 基于大数据在线诊断新能源汽车电池包内温度故障的方法 | |
| CN114523878B (zh) | 一种锂离子电池析锂安全预警方法及装置 | |
| CN111509319A (zh) | 一种储能电源phm管理系统 | |
| CN112363061A (zh) | 一种基于大数据的热失控风险评估方法 | |
| CN113866646B (zh) | 基于极化阻抗压升的电池簇不一致性在线监测方法 | |
| CN115958957A (zh) | 一种电动汽车动力电池充电过热故障预测方法及系统 | |
| CN116047173A (zh) | 一种配电网用快速检测超级电容的装置、方法及电气拓扑 | |
| CN111257770A (zh) | 一种电池包功率估算方法 | |
| CN117786460A (zh) | 一种电芯衰减异常识别算法 | |
| CN115469226A (zh) | 一种基于运行大数据的电动汽车动力电池实时安全预警方法 | |
| Xiao et al. | Lithium-ion batteries fault diagnosis based on multi-dimensional indicator | |
| CN112330176A (zh) | 一种锂电池铜排松动故障诊断及预测方法 | |
| CN117856408B (zh) | 一种基于数据分析的锂电池充放电管理系统 | |
| CN117341476B (zh) | 一种电池压差故障预警方法及系统 | |
| CN115308609B (zh) | 一种锂离子电池厚度的预测方法、预测装置和锂离子电池 | |
| CN115980596B (zh) | 一种在线检测动力电池内短路的方法 | |
| CN113805085B (zh) | 电池包焊接质量检测方法、装置、储能系统及存储介质 | |
| CN117930056A (zh) | 一种锂电池健康程度检测方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |