CN117872142A - 一种基于值率模型的动力电池电压故障在线诊断评估方法 - Google Patents
一种基于值率模型的动力电池电压故障在线诊断评估方法 Download PDFInfo
- Publication number
- CN117872142A CN117872142A CN202311016875.6A CN202311016875A CN117872142A CN 117872142 A CN117872142 A CN 117872142A CN 202311016875 A CN202311016875 A CN 202311016875A CN 117872142 A CN117872142 A CN 117872142A
- Authority
- CN
- China
- Prior art keywords
- matrix
- voltage
- steps
- value
- abnormal
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 44
- 238000003745 diagnosis Methods 0.000 title claims abstract description 32
- 239000011159 matrix material Substances 0.000 claims abstract description 138
- 230000002159 abnormal effect Effects 0.000 claims abstract description 49
- 238000004364 calculation method Methods 0.000 claims abstract description 28
- 230000008859 change Effects 0.000 claims abstract description 14
- 238000000034 method Methods 0.000 claims description 46
- 239000000178 monomer Substances 0.000 claims description 21
- 230000005856 abnormality Effects 0.000 claims description 19
- 239000013598 vector Substances 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 13
- 230000015654 memory Effects 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 5
- 230000035945 sensitivity Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明涉及电池故障诊断技术领域,具体涉及一种基于值率模型的动力电池电压故障在线诊断评估方法,包括获取待诊断电动汽车动力电池各单体电压时序值,建立电压数据矩阵,根据预先设定恒定长度的滑动窗,从上至下滑过电压矩阵,对滑动窗内数据求取各单体电池的变化率矩阵,然后进行Z分数转化,去除冗余行后计算异常评估系数,最后对系数进行异常值识别,若存在,则定位异常单体编号和时间,并对异常程度进行评估,同时向驾驶员传达相应提示;若无异常值,则时间窗向下继续滑动,并重复上述流程进行迭代计算,本发明能够提升计算效率、准确定位故障发生时间及位置,在一定程度上提高了电动汽车的安全性。
Description
技术领域
本发明涉及电池故障诊断技术领域,具体涉及一种基于值率模型的动力电池电压故障在线诊断评估方法。
背景技术
近年来,电动汽车产业迅猛发展,汽车安全事故早已屡见不鲜,其中动力电池被认为是罪魁祸首,因此电动汽车动力电池故障诊断具有重要意义。动力电池系统的故障大多可以追溯至某一或某些具体单体电池,其中单体故障主要包括过压、欠压、短路、过温、一致性差等,而这些故障都可以在单体电压这一参数中及时的体现出来,且主要表现为电压的不一致波动,因此快速准确的对单体电压异常波动的监测和评估可以更加全面的反映动力电池系统的安全性。由于各种熵方法能有效的评估系统的无序性而被广泛应用于电池故障诊断领域,但是模型的精度需要牺牲计算效率来获得,因此具备改进的空间。
发明内容
为了弥补现有技术的不足,解决上述的技术问题;本发明一种基于值率模型的动力电池电压故障在线诊断处理方法。
一种基于值率模型的动力电池电压故障在线诊断评估方法,所述方法包括以下步骤:
步骤100:获取待诊断汽车电池包中各单体电池电压数据时序值,构建电压数据矩阵A,其中:
其中,m表示时序长度,n表示电池包中单体电池总个数,ai,j表示第j个单体电池在第i次索引的电压值,i=1,2,…,m;j=1,2,…,n;
步骤101:预设初始滑动时间窗的长度和宽度,利用滑动窗口对电压数据矩阵逐区域进行数据截取,形成截取电压矩阵B;
步骤102:求取矩阵B中各单体电池的电压变化率矩阵C;
步骤103:基于优化的Z分数方法将矩阵C进行标准化,得到新的矩阵D;
步骤104:去除矩阵D中的冗余行;
步骤105:计算异常评估系数;
步骤106:判定是否存在异常单体,若存在,则执行步骤107,反之则执行步骤108;
步骤107:若存在异常值,定位异常单体的位置和发生时间,并进一步判定异常程度,同时向驾驶员发送相应提示;
步骤108:若无异常值,时间窗向下移动,重复步骤101-106进行下一次的迭代计算。
优选的,步骤101中预设初始滑动时间窗长度为k,宽度同单体电池总数为n,每次滑动窗截取的电压数据矩阵为B,其中:
其中
优选的,矩阵B中各单体电池电压变化率矩阵C:
其中ci,j表示第j个单体电池在第i+1次索引的电压值与第i次索引的电压值的差与采样时间间隔的比值,i=1,2,…,k-1;j=1,2,…,n。
优选的,步骤103中基于优化的Z分数方法将矩阵C进行标准化,得到新的矩阵D,具体为:
根据步骤102得到的矩阵C,计算该矩阵各行向量的均值,计算公式为:
μi表示矩阵C中第i行数据的均值;
踢出矩阵C中各行向量中超过2*μi的数据,求出各行剩余数据的均值和标准差,计算公式分别为:
g表示矩阵C中第i行剩余数据的总个数;
计算矩阵C的第i行数据的中值c(i)me;
根据Z分数理论将矩阵C中的每一个数据进行标准化,计算公式为:
得到新的矩阵D:
优选的,步骤104中去除矩阵D中的冗余行,具体为:
过滤掉矩阵D中行向量标准差小于0.2的行,形成新的矩阵Z:
其中
优选的,步骤105中计算异常评估系数,具体为:
SFj表示第j个单体电池的敏感因子,i=1,2,…,e;j=1,2,…,n;
AFj即为第j个单体电池的异常评估系数。
优选的,步骤106中判定是否存在异常单体的标准为:
S300:将每次时间窗的迭代计算中0.9<AF的单体电池识别为存在电压异常波动的故障单体。
S301:如果|AF|≤3.5,则执行S302和S303;
S302:无电压故障报警;
S303:进行下一次迭代计算;
S304:如果0.9<|AF|≤1.2,则执行S305和S306,或根据S307判断是否执行S309和S310,或者S303;
S305:电压二级故障报警;
S306:计算二级故障持续时间;
S307:是否超过阈值;
S308:如果1.2<|AF|,则执行S309和S310;
S309:电压一级故障报警;
S310:车辆需要立即进行检查。
优选的,步骤108中,若无异常值,时间窗向下移动一次,重复步骤101至106即进行下一次迭代计算。
一种基于值率模型的动力电池电压故障在线诊断评估装置,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程序时实现以下步骤:
步骤100:获取待诊断汽车电池包中各单体电池电压数据时序值,构建电压数据矩阵A,其中:
其中,m表示时序长度,n表示电池包中单体电池总个数,ai,j表示第j个单体电池在第i次索引的电压值,i=1,2,…,m;j=1,2,…,n;
步骤101:预设初始滑动时间窗的长度和宽度,利用滑动窗口对电压数据矩阵逐区域进行数据截取,形成截取电压矩阵B;
步骤102:求取矩阵B中各单体电池的电压变化率矩阵C;
步骤103:基于优化的Z分数方法将矩阵C进行标准化,得到新的矩阵D;
步骤104:去除矩阵D中的冗余行;
步骤105:计算异常评估系数;
步骤106:判定是否存在异常单体,若存在,则执行步骤107,反之则执行步骤108;
步骤107:若存在异常值,定位异常单体的位置和发生时间,并进一步判定异常程度,同时向驾驶员发送相应提示;
步骤108:若无异常值,时间窗向下移动,重复步骤101-106进行下一次的迭代计算。
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以下步骤:
步骤100:获取待诊断汽车电池包中各单体电池电压数据时序值,构建电压数据矩阵A,其中:
其中,m表示时序长度,n表示电池包中单体电池总个数,ai,j表示第j个单体电池在第i次索引的电压值,i=1,2,…,m;j=1,2,…,n;
步骤101:预设初始滑动时间窗的长度和宽度,利用滑动窗口对电压数据矩阵逐区域进行数据截取,形成截取电压矩阵B;
步骤102:求取矩阵B中各单体电池的电压变化率矩阵C;
步骤103:基于优化的Z分数方法将矩阵C进行标准化,得到新的矩阵D;
步骤104:去除矩阵D中的冗余行;
步骤105:计算异常评估系数;
步骤106:判定是否存在异常单体,若存在,则执行步骤107,反之则执行步骤108;
步骤107:若存在异常值,定位异常单体的位置和发生时间,并进一步判定异常程度,同时向驾驶员发送相应提示;
步骤108:若无异常值,时间窗向下移动,重复步骤101-106进行下一次的迭代计算。
本发明的有益效果如下:
本发明从电压异常波动的故障机理出发,创新性的提出了基于电压值率模型的数据异常波动故障诊断和评估方法,该方法具有各种熵方法同等的故障诊断评估效果,同时具备更小的计算量,因此具有更加优异的实际应用价值;
此外,原始的Z分数方法中的均值和标准差在计算时容易受到最值数据的影响,为了进一步提升方法对异常单体识别的精度,本发明在对电压变化率矩阵进行标准化过程中均值用中值代替,计算标准差时先去除异常值,这样进一步提升了故障诊断的精度;
同时,本发明运用滑动时间窗原理,通过对滑窗中电压数据的计算来定位异常单体的位置和异常发生的时间,减小了计算量,可以实现在线应用,其方法有别于现有的对全生命周期的数据进行计算的故障诊断方法。
附图说明
下面结合附图对本发明作进一步说明。
图1为本发明提供的电池电压故障在线诊断及评估方法流程示意图;
图2为本发明提供的优化的Z分数算法流程示意图;
图3为本发明提供的异常值识别及评估方法流程示意图。
具体实施方式
下面通过附图以及具体实施例对本申请技术方案做详细的说明,应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明,而不是对本申请技术方案的限定,在不冲突的情况下,本申请实施例以及实施例中的技术特征可以相互组合。
实施例一:
一种基于值率模型的动力电池电压故障在线诊断评估方法,所述方法包括以下步骤:
步骤100:获取待诊断汽车电池包中各单体电池电压数据时序值,构建电压数据矩阵A,其中:
其中,m表示时序长度,n表示电池包中单体电池总个数,ai,j表示第j个单体电池在第i次索引的电压值,i=1,2,…,m;j=1,2,…,n;
步骤101:预设初始滑动时间窗的长度和宽度,利用滑动窗口对电压数据矩阵逐区域进行数据截取,形成截取电压矩阵B;
步骤102:求取矩阵B中各单体电池的电压变化率矩阵C;
步骤103:基于优化的Z分数方法将矩阵C进行标准化,得到新的矩阵D;
步骤104:去除矩阵D中的冗余行;
步骤105:计算异常评估系数;
步骤106:判定是否存在异常单体,若存在,则执行步骤107,反之则执行步骤108;
步骤107:若存在异常值,定位异常单体的位置和发生时间,并进一步判定异常程度,同时向驾驶员发送相应提示;
步骤108:若无异常值,时间窗向下移动,重复步骤101-106进行下一次的迭代计算。
步骤101中预设初始滑动时间窗长度为k,宽度同单体电池总数为n,每次滑动窗截取的电压数据矩阵为B,其中:
其中
矩阵B中各单体电池电压变化率矩阵C:
其中ci,j表示第j个单体电池在第i+1次索引的电压值与第i次索引的电压值的差与采样时间间隔的比值,i=1,2,…,k-1;j=1,2,…,n。
步骤103中基于优化的Z分数方法将矩阵C进行标准化,得到新的矩阵D,具体为:
根据步骤102得到的矩阵C,计算该矩阵各行向量的均值,计算公式为:
μi表示矩阵C中第i行数据的均值;
踢出矩阵C中各行向量中超过2*μi的数据,求出各行剩余数据的均值和标准差,计算公式分别为:
g表示矩阵C中第i行剩余数据的总个数;
计算矩阵C的第i行数据的中值c(i)me;
根据Z分数理论将矩阵C中的每一个数据进行标准化,计算公式为:
得到新的矩阵D:
步骤104中去除矩阵D中的冗余行,具体为:
过滤掉矩阵D中行向量标准差小于0.2的行,形成新的矩阵Z:
其中
步骤105中计算异常评估系数,具体为:
SFj表示第j个单体电池的敏感因子,i=1,2,…,e;j=1,2,…,n;
AFj即为第j个单体电池的异常评估系数。
步骤106中判定是否存在异常单体的标准为:
S300:将每次时间窗的迭代计算中0.9<AF的单体电池识别为存在电压异常波动的故障单体。
S301:如果|AF|≤3.5,则执行S302和S303;
S302:无电压故障报警;
S303:进行下一次迭代计算;
S304:如果0.9<|AF|≤1.2,则执行S305和S306,或根据S307判断是否执行S309和S310,或者S303;
S305:电压二级故障报警;
S306:计算二级故障持续时间;
S307:是否超过阈值;
S308:如果1.2<|AF|,则执行S309和S310;
S309:电压一级故障报警;
S310:车辆需要立即进行检查。
步骤108中,若无异常值,时间窗向下移动一次,重复步骤101至106即进行下一次迭代计算。
具体来说,假设某待检测电动汽车电池箱中有95块单体电池,选取200次采样数据,建立所有单体电池的时间序列矩阵A如下:
其中ai,j表示第j个单体电池在第i次索引的电压值,i=1,2,…,200;j=1,2,…,95;
步骤S101中,预设初始滑动窗口的长度为100,宽度为95,利用滑动窗口对电压时序矩阵逐区域进行数据截取,第一次滑动窗截取的电压数据矩阵B为:
步骤S102中,基于上述电压数据矩阵B,求取各单体电池的电压变化率矩阵C:
其中ci,j表示第j个单体电池在第i+1次索引的电压值与第i次索引的电压值的差与采样时间间隔的比值,i=1,2,…,99;j=1,2,…,95;
步骤S103中,基于优化的Z分数算法将矩阵C进行标准化可以按照图2所示的流程执行,即优化的Z分数算法为:
步骤S201中,计算矩阵C中各行数据的均值公式为:
μi表示矩阵C中第i行数据的均值;
得到矩阵C行向量的均值序列为:
μ(C)=[μ1,μ2,L,μi,L,μ99]T
步骤S202中,踢出矩阵C中各行向量中超过2*μi的数据,求出各行剩余数据的均值和标准差,计算公式分别为:
g表示矩阵C中第i行剩余数据的总个数;
得到矩阵C行向量去除异常值后的标准差序列为:
σ(C)'=[σ1',σ2',L,σi',L,σ99']T
步骤S203中,计算矩阵C中各行向量的中值,形成中值序列:
Cme=[c(1)me,c(2)me,L,c(i)me,L,c(99)me]T
步骤S204中,基于优化的Z分数算法标准化矩阵C,得到新的矩阵D:
其中,i=1,2,…,99;j=1,2,…,95;
步骤S104中,移除矩阵D中的冗余行,具体为:
计算矩阵D各行向量的标准差,公式为:
其中μi”表示矩阵D第i行数据的均值。
矩阵D的行向量标准差序列为:
σ(D)=[σ1”,σ2”,L,σi”,L,σ99”]T
移除矩阵D中行向量标准差小于0.2的行,形成新的矩阵Z:
其中
步骤S105中,计算异常评估系数,具体为:
SFj表示第j个单体电池的敏感因子,i=1,2,…,e;j=1,2,…,95;
AFj即为第j个单体电池的异常评估系数。
步骤S106、S107和S108中,异常值的识别及评估方法可以按照图3所示的流程执行,即为:
步骤S301中,基于大量真实故障和正常车数据分析和验证,我们将0.9<AF的单体电池识别为存在电压异常波动的故障单体。
步骤S302中,如果AF≤0.9则单体电池中不存在电压异常波动的故障,系统无电压故障报警,将进行步骤S303,即进行下一次迭代计算,第二次滑动窗截取的电压数据矩阵B为:
进而重复步骤S102-S106即可。
步骤S304中,如果0.9<AF≤1.2,则系统发出电压二级故障报警,步骤S306中将计算二级故障报警持续时间,若超过阈值将执行步骤S310,否则执行步骤S303;
步骤S308中,如果1.2<AF,则系统发出电压一级故障报警,提示驾驶员车辆需要立即停止行驶并进行检查。
以上过程例举了滑动窗截取一次数据时完整的计算过程,该基于值率模型的动力电池电压故障在线诊断评估方法在线实施时,不断重复以上步骤进行迭代计算即可实现电压异常波动故障的实时快速准确诊断评估。
实施例二:
基于与前述实施例中一种基于值率模型的动力电池电压故障在线诊断评估方法同样的发明构思,本发明还提供了一种基于熵值算法的动力电池电压故障在线诊断处理装置,其上存储有计算机程序,该程序被处理器执行时实现前文所述一种基于值率模型的动力电池电压故障在线诊断评估方法的任一方法的步骤,具体如下:
其包括总线架构,总线可以包括任意数量的互联的总线和桥,总线将包括由处理器代表的一个或多个处理器和存储器代表的存储器的各种电路链接在一起。总线还可以将诸如外围设备、稳压器、传感器、摄像头和功率管理电路等之类的各种其他电路连接在一起,这些都是本领域所公知的,因此,本发明不再对其进行进一步描述。
实施例三:
基于与前述实施例一种基于值率模型的动力电池电压故障在线诊断评估方法同样的发明构思,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以下步骤:
步骤100:获取待诊断汽车电池包中各单体电池电压数据时序值,构建电压数据矩阵A,其中:
其中,m表示时序长度,n表示电池包中单体电池总个数,ai,j表示第j个单体电池在第i次索引的电压值,i=1,2,…,m;j=1,2,…,n;
步骤101:预设初始滑动时间窗的长度和宽度,利用滑动窗口对电压数据矩阵逐区域进行数据截取,形成截取电压矩阵B;
步骤102:求取矩阵B中各单体电池的电压变化率矩阵C;
步骤103:基于优化的Z分数方法将矩阵C进行标准化,得到新的矩阵D;
步骤104:去除矩阵D中的冗余行;
步骤105:计算异常评估系数;
步骤106:判定是否存在异常单体,若存在,则执行步骤107,反之则执行步骤108;
步骤107:若存在异常值,定位异常单体的位置和发生时间,并进一步判定异常程度,同时向驾驶员发送相应提示;
步骤108:若无异常值,时间窗向下移动,重复步骤101-106进行下一次的迭代计算。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于值率模型的动力电池电压故障在线诊断评估方法,其特征在于:所述方法包括以下步骤:
步骤100:获取待诊断汽车电池包中各单体电池电压数据时序值,构建电压数据矩阵A,其中:
其中,m表示时序长度,n表示电池包中单体电池总个数,ai,j表示第j个单体电池在第i次索引的电压值,i=1,2,…,m;j=1,2,…,n;
步骤101:预设初始滑动时间窗的长度和宽度,利用滑动窗口对电压数据矩阵逐区域进行数据截取,形成截取电压矩阵B;
步骤102:求取矩阵B中各单体电池的电压变化率矩阵C;
步骤103:基于优化的Z分数方法将矩阵C进行标准化,得到新的矩阵D;
步骤104:去除矩阵D中的冗余行;
步骤105:计算异常评估系数;
步骤106:判定是否存在异常单体,若存在,则执行步骤107,反之则执行步骤108;
步骤107:若存在异常值,定位异常单体的位置和发生时间,并进一步判定异常程度,同时向驾驶员发送相应提示;
步骤108:若无异常值,时间窗向下移动,重复步骤101-106进行下一次的迭代计算。
2.根据权利要求1所述的一种基于值率模型的动力电池电压故障在线诊断评估方法,其特征在于:步骤101中预设初始滑动时间窗长度为k,宽度同单体电池总数为n,每次滑动窗截取的电压数据矩阵为B,其中:
其中
3.根据权利要求2所述的一种基于值率模型的动力电池电压故障在线诊断评估方法,其特征在于:矩阵B中各单体电池电压变化率矩阵C:
其中ci,j表示第j个单体电池在第i+1次索引的电压值与第i次索引的电压值的差与采样时间间隔的比值,i=1,2,…,k-1;j=1,2,…,n。
4.根据权利要求3所述的一种基于值率模型的动力电池电压故障在线诊断评估方法,其特征在于:步骤103中基于优化的Z分数方法将矩阵C进行标准化,得到新的矩阵D,具体为:
根据步骤102得到的矩阵C,计算该矩阵各行向量的均值,计算公式为:
μi表示矩阵C中第i行数据的均值;
踢出矩阵C中各行向量中超过2*μi的数据,求出各行剩余数据的均值和标准差,计算公式分别为:
g表示矩阵C中第i行剩余数据的总个数;
计算矩阵C的第i行数据的中值c(i)me;
根据Z分数理论将矩阵C中的每一个数据进行标准化,计算公式为:
得到新的矩阵D:
5.根据权利要求4所述的一种基于值率模型的动力电池电压故障在线诊断评估方法,其特征在于:步骤104中去除矩阵D中的冗余行,具体为:
过滤掉矩阵D中行向量标准差小于0.2的行,形成新的矩阵Z:
其中
6.根据权利要求5所述的一种基于值率模型的动力电池电压故障在线诊断评估方法,其特征在于:步骤105中计算异常评估系数,具体为:
SFj表示第j个单体电池的敏感因子,i=1,2,…,e;j=1,2,…,n;
AFj即为第j个单体电池的异常评估系数。
7.根据权利要求6所述的一种基于值率模型的动力电池电压故障在线诊断评估方法,其特征在于:步骤106中判定是否存在异常单体的标准为:
S300:将每次时间窗的迭代计算中0.9<AF的单体电池识别为存在电压异常波动的故障单体。
S301:如果|AF|≤3.5,则执行S302和S303;
S302:无电压故障报警;
S303:进行下一次迭代计算;
S304:如果0.9<|AF|≤1.2,则执行S305和S306,或根据S307判断是否执行S309和S310,或者S303;
S305:电压二级故障报警;
S306:计算二级故障持续时间;
S307:是否超过阈值;
S308:如果1.2<|AF|,则执行S309和S310;
S309:电压一级故障报警;
S310:车辆需要立即进行检查。
8.根据权利要求6所述的一种基于值率模型的动力电池电压故障在线诊断评估方法,其特征在于:步骤108中,若无异常值,时间窗向下移动一次,重复步骤101至106即进行下一次迭代计算。
9.一种基于值率模型的动力电池电压故障在线诊断评估装置,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程序时实现以下步骤:
步骤100:获取待诊断汽车电池包中各单体电池电压数据时序值,构建电压数据矩阵A,其中:
其中,m表示时序长度,n表示电池包中单体电池总个数,ai,j表示第j个单体电池在第i次索引的电压值,i=1,2,…,m;j=1,2,…,n;
步骤101:预设初始滑动时间窗的长度和宽度,利用滑动窗口对电压数据矩阵逐区域进行数据截取,形成截取电压矩阵B;
步骤102:求取矩阵B中各单体电池的电压变化率矩阵C;
步骤103:基于优化的Z分数方法将矩阵C进行标准化,得到新的矩阵D;
步骤104:去除矩阵D中的冗余行;
步骤105:计算异常评估系数;
步骤106:判定是否存在异常单体,若存在,则执行步骤107,反之则执行步骤108;
步骤107:若存在异常值,定位异常单体的位置和发生时间,并进一步判定异常程度,同时向驾驶员发送相应提示;
步骤108:若无异常值,时间窗向下移动,重复步骤101-106进行下一次的迭代计算。
10.一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以下步骤:
步骤100:获取待诊断汽车电池包中各单体电池电压数据时序值,构建电压数据矩阵A,其中:
其中,m表示时序长度,n表示电池包中单体电池总个数,ai,j表示第j个单体电池在第i次索引的电压值,i=1,2,…,m;j=1,2,…,n;
步骤101:预设初始滑动时间窗的长度和宽度,利用滑动窗口对电压数据矩阵逐区域进行数据截取,形成截取电压矩阵B;
步骤102:求取矩阵B中各单体电池的电压变化率矩阵C;
步骤103:基于优化的Z分数方法将矩阵C进行标准化,得到新的矩阵D;
步骤104:去除矩阵D中的冗余行;
步骤105:计算异常评估系数;
步骤106:判定是否存在异常单体,若存在,则执行步骤107,反之则执行步骤108;
步骤107:若存在异常值,定位异常单体的位置和发生时间,并进一步判定异常程度,同时向驾驶员发送相应提示;
步骤108:若无异常值,时间窗向下移动,重复步骤101-106进行下一次的迭代计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311016875.6A CN117872142A (zh) | 2023-08-14 | 2023-08-14 | 一种基于值率模型的动力电池电压故障在线诊断评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311016875.6A CN117872142A (zh) | 2023-08-14 | 2023-08-14 | 一种基于值率模型的动力电池电压故障在线诊断评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117872142A true CN117872142A (zh) | 2024-04-12 |
Family
ID=90583560
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311016875.6A Pending CN117872142A (zh) | 2023-08-14 | 2023-08-14 | 一种基于值率模型的动力电池电压故障在线诊断评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117872142A (zh) |
-
2023
- 2023-08-14 CN CN202311016875.6A patent/CN117872142A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109359894B (zh) | 一种基于rpn的电力计量设备风险评价方法及装置 | |
CN110766059A (zh) | 一种变压器故障的预测方法、装置和设备 | |
US20160369777A1 (en) | System and method for detecting anomaly conditions of sensor attached devices | |
WO2022143903A1 (zh) | 车用电池的安全评估方法、系统、设备及可读存储介质 | |
CN102436519A (zh) | 电力系统自动装置动态可靠性综合评估方法 | |
CN116879758A (zh) | 一种基于熵值算法的动力电池电压故障在线诊断处理方法 | |
CN113415165B (zh) | 一种故障诊断方法、装置、电子设备及存储介质 | |
CN112884199B (zh) | 水电站设备故障预测方法、装置、计算机设备和存储介质 | |
CN113837596A (zh) | 一种故障确定方法、装置、电子设备及存储介质 | |
CN110705849A (zh) | 巡检机器人的实效评估方法、系统、存储介质及机器人 | |
CN114997342B (zh) | 一种scr故障诊断方法、装置、设备及存储介质 | |
WO2019019429A1 (zh) | 一种虚拟机异常检测方法、装置、设备及存储介质 | |
CN114994543A (zh) | 储能电站电池故障诊断方法、装置及存储介质 | |
CN113506190B (zh) | 一种异常用电行为辨识方法、装置、设备及存储介质 | |
CN114239734A (zh) | 一种分布式车载健康管理系统 | |
CN113721182B (zh) | 一种电力互感器性能在线监测结果可靠度评估方法及系统 | |
CN117114248B (zh) | 一种水质监测系统健康度评价方法、计算机设备及介质 | |
CN114338348A (zh) | 一种智能告警方法、装置、设备及可读存储介质 | |
CN112128950B (zh) | 一种基于多种模型对比的机房温湿度预测方法及系统 | |
CN112380073B (zh) | 一种故障位置的检测方法、装置及可读存储介质 | |
CN115114124A (zh) | 主机风险的评估方法及评估装置 | |
CN117630678A (zh) | 电动汽车电池电压异常波动故障在线诊断方法及系统 | |
CN116452070B (zh) | 多辨识框架下的大型设备健康评估方法和装置 | |
CN105759217B (zh) | 一种基于可测数据的铅酸蓄电池组在线故障诊断方法 | |
CN117272145A (zh) | 转辙机的健康状态评估方法、装置和电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |