CN117907844A - 电池系统内短路异常检测方法、电子设备及介质 - Google Patents
电池系统内短路异常检测方法、电子设备及介质 Download PDFInfo
- Publication number
- CN117907844A CN117907844A CN202410309064.3A CN202410309064A CN117907844A CN 117907844 A CN117907844 A CN 117907844A CN 202410309064 A CN202410309064 A CN 202410309064A CN 117907844 A CN117907844 A CN 117907844A
- Authority
- CN
- China
- Prior art keywords
- data
- battery cells
- position numbers
- single battery
- cell
- 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 50
- 230000005856 abnormality Effects 0.000 title claims abstract description 15
- 239000000178 monomer Substances 0.000 claims abstract description 53
- 238000012544 monitoring process Methods 0.000 claims abstract description 50
- 230000002159 abnormal effect Effects 0.000 claims abstract description 49
- 238000012163 sequencing technique Methods 0.000 claims abstract description 45
- 239000013598 vector Substances 0.000 claims abstract description 21
- 238000004140 cleaning Methods 0.000 claims abstract description 16
- 238000012216 screening Methods 0.000 claims abstract description 9
- 239000012634 fragment Substances 0.000 claims abstract description 6
- 230000008859 change Effects 0.000 claims description 13
- 230000015556 catabolic process Effects 0.000 claims description 4
- 238000006731 degradation reaction Methods 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Abstract
本发明涉及新能源汽车技术领域,公开了一种电池系统内短路异常检测方法、电子设备及介质,方法包括:获取车辆监测数据,进行数据清洗;根据数据清洗后的车辆监测数据进行车辆工况识别,筛选目标片段并确定目标片段的车辆监测数据;根据目标片段的车辆监测数据分别计算各单体电芯特征向量、各单体SOC偏差特征因子和各单体等效短路电阻值;分别根据各单体电芯特征向量、各单体SOC偏差特征因子和各单体等效短路电阻值的离群程度或偏离程度按照从大到小对各单体电芯的位置编号进行排序,得到三组排序结果;根据三组各单体电芯的位置编号的排序结果进行单体异常预警。根据多层级电池特征参数指标设置多指标综合判断方法,提升内短路故障识别的准确性。
Description
技术领域
本发明涉及新能源汽车技术领域,尤其涉及一种电池系统内短路异常检测方法、电子设备及介质。
背景技术
新能源汽车动力电池系统安全是关乎车辆稳定安全运行的重要前提,为保证电池在使用过程中的运行安全,可通过大数据平台监测手段对电池运行过程数据进行采集并进行状态监测。目前动力电池最大的安全问题就是热失控,内短路是导致电池热失控的重要原因,因此,基于运行监测数据提前对动力电池内短路进行分析诊断,可以有效预防严重危害发生。
目前已提出的内短路诊断算法包括识别电池自放电、通过比较短路电芯与正常电芯间电压偏差等方法进行监测。然而,目前的检测方法中通过自放电监测识别方法对只能在特定静置工况下才能进行分析,通过电压偏差比较方法需要获取大量的电芯电压数据数据,数据精度要求较高,数据采集工作成本高,且单独电压偏差判断容易由于数据问题引起结果的误判,准确性会显著降低。
因此,亟需一种电池系统内短路异常检测方法,通过多层级电池特征参数指标设定,设置多指标综合判断方法,提升内短路故障识别的准确性。
发明内容
为了解决上述技术问题,本发明提供了一种电池系统内短路异常检测方法、电子设备及介质,通过多层级电池特征参数指标设定,设置多指标综合判断方法,提升内短路故障识别的准确性。
本发明提供了一种电池系统内短路异常检测方法,包括如下步骤:
S1、获取车辆监测数据,并进行数据清洗;车辆监测数据包括单体电芯电压数据、单体电芯电流数据、单体电芯SOC数据、车辆状态数据、充电状态数据、单体电芯温度数据;其中,车辆状态数据表示整车所处的状态,充电状态数据表示电池的状态;
S2、根据数据清洗后的车辆监测数据进行车辆工况识别,筛选目标片段并确定目标片段的车辆监测数据;
S3、根据目标片段的车辆监测数据分别计算各单体电芯特征向量、各单体SOC偏差特征因子和各单体等效短路电阻值;
S4、分别根据各单体电芯特征向量、各单体SOC偏差特征因子和各单体等效短路电阻值的离群程度或偏离程度按照从大到小对各单体电芯的位置编号进行排序,得到三组排序结果;
S5、根据三组各单体电芯的位置编号的排序结果进行单体异常预警。
进一步的,S1,进行数据清洗具体包括:
删除单体电芯电压数据不在2-5V范围内的时间帧数据;删除单体电芯SOC数据不在0%-100%范围内的时间帧数据;删除车辆状态数据和充电状态数据不在值域定义范围内,或为空值的时间帧数据。
进一步的,S2,根据数据清洗后的车辆监测数据进行车辆工况识别,筛选目标片段并确定目标片段的车辆监测数据包括:
S21、基于数据清洗后的车辆状态数据和充电状态数据识别车辆的静置工况;
S22、根据静置工况的识别结果,对车辆监测数据进行划分,提取车辆监测数据中相邻两个静置工况之间的数据作为目标数据段;
S23、筛选所有目标数据段中,数据帧大于等于预设帧数的目标数据段作为目标片段,并获取目标片段的车辆监测数据。
进一步的,S21,车辆的静置工况的识别方法包括:
当车辆状态数据显示为熄火状态,且充电状态数据显示为未充电状态时,确定为静置状态,当静置状态持续时间超过30min,则将对应的数据段确定为静置工况。
进一步的,S3,根据目标片段的车辆监测数据分别计算各单体电芯特征向量、各单体SOC偏差特征因子和各单体等效短路电阻值具体包括:
S31、根据目标片段的车辆监测数据计算各单体电芯特征因子,各单体电芯特征因子包括单体电芯电压最大值因子、单体电芯电压最小值因子、单体电芯极值频率、单体电芯电压最大变化率、单体电芯温度最大值因子、单体电芯温度最小值因子和单体电芯温度最大变化率;
S32、根据各单体电芯特征因子组成各单体电芯特征向量;
S33、根据目标片段中各单体电芯的起始SOC值和下一目标片段中各单体电芯的起始SOC值,计算目标片段中各单体电芯的SOC差值;
S34、根据目标片段的单体电芯电流数据利用安时积分法计算目标片段的平均SOC差值;
S35、根据目标片段中各单体电芯的SOC差值与平均SOC差值,计算各单体SOC偏差特征因子;
S36、根据目标片段的单体电芯电压数据和单体电芯电流数据获取各单体等效短路电阻值。
进一步的,S5,根据各单体电芯的位置编号的排序结果进行单体异常预警包括:
S51、比较单个目标片段内,分别根据各单体电芯特征向量、各单体SOC偏差特征因子和各单体等效短路电阻值的离群程度或偏离程度按照从大到小进行排序得到的三组各单体电芯的位置编号的排序结果;
S52、若三组各单体电芯的位置编号的排序结果相同,则进行单体内短路高风险预警,并提示异常单体电芯的位置编号;
S53、若三组各单体电芯的位置编号的排序结果不同,但三组各单体电芯的位置编号的排序结果中存在重复的单体电芯的位置编号,且重复的单体电芯的位置编号在三组各单体电芯的位置编号的排序结果中的排序位置相同或相邻,则进行单体内短路中风险预警,并提示重复的异常单体电芯的位置编号;
S54、若三组各单体电芯的位置编号的排序结果不同,但三组各单体电芯的位置编号的排序结果中存在重复的单体电芯的位置编号,且重复的单体电芯的位置编号在三组各单体电芯的位置编号的排序结果中的排序位置差异大于预设差值,则进行单体内短路低风险预警,并提示重复的异常单体电芯的位置编号;
S55、若三组各单体电芯的位置编号的排序结果不同,且三组各单体电芯的位置编号的排序结果中不存在重复的单体电芯的位置编号,则不进行单体异常预警。
进一步的,S5,根据各单体电芯的位置编号的排序结果进行单体异常预警包括:
若在单个目标片段内,根据各单体电芯特征向量、各单体SOC偏差特征因子和各单体等效短路电阻值的离群程度或偏离程度未识别到异常单体,则不进行单体异常预警。
进一步的,S5,根据各单体电芯的位置编号的排序结果进行单体异常预警包括:
比较连续多个目标片段内,分别根据各单体电芯特征向量、各单体SOC偏差特征因子或各单体等效短路电阻值的离群程度或偏离程度按照从大到小进行排序得到的连续多组各单体电芯的位置编号的排序结果;
若连续多组各单体电芯的位置编号的排序结果中存在重复的单体电芯的位置编号,且重复的单体电芯的位置编号在连续多组各单体电芯的位置编号的排序结果中的排序位置呈现逐渐靠前的趋势,则进行单体内短路劣化趋势风险预警,并提示呈现逐渐靠前的趋势的单体电芯的位置编号。
本发明还提供了一种电子设备,电子设备包括:
处理器和存储器;
处理器通过调用存储器存储的程序或指令,用于执行如上述任一项所述的一种电池系统内短路异常检测方法的步骤。
本发明还提供了一种计算机可读存储介质,计算机可读存储介质存储程序或指令,程序或指令使计算机执行如如上述任一项所述的一种电池系统内短路异常检测方法的步骤。
本发明实施例具有以下技术效果:
通过车辆监测数据进行参数指标提取,并通过单体电芯的多种参数设定多层级电池特征参数指标,根据多指标综合判断电池系统内短路风险程度和趋势,提升内短路故障识别的准确性。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1是本发明实施例提供的一种电池系统内短路异常检测方法的流程图;
图2是本发明实施例提供的一种电池系统内短路异常检测方法的逻辑图;
图3是本发明实施提供的一种电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将对本发明的技术方案进行清楚、完整的描述。显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施例,都属于本发明所保护的范围。
图1是本发明实施例提供的一种电池系统内短路异常检测方法的流程图,图2是本发明实施例提供的一种电池系统内短路异常检测方法的逻辑图。参见图1和图2,具体包括:
S1、获取车辆监测数据,并进行数据清洗。
具体的,车辆监测数据包括单体电芯电压数据、单体电芯电流数据、单体电芯SOC数据、车辆状态数据、充电状态数据、单体电芯温度数据。其中,车辆状态数据表示整车所处的状态,充电状态数据表示电池的状态;示例性地,车辆状态数据可以包括启动状态、熄火状态、其他状态、异常状态等,充电状态数据可以包括停车充电状态、行驶充电状态、未充电状态、充电完成状态、异常状态等。在获取车辆监测数据时,由于采集或传输硬件设备等存在异常故障的可能,会导致上传数据存在一定的异常情况,在进行数据分析前需要对获取的车辆监测数据进行清洗预处理,提升数据的可用性。进行数据清洗具体包括:删除单体电芯电压数据不在2-5V范围内的时间帧数据,其中2-5V为单体电芯正常工作的电压范围;删除单体电芯SOC数据不在0%-100%范围内的时间帧数据;删除车辆状态数据和充电状态数据不在值域定义范围内,或为空值的时间帧数据,其中,值域定义范围可以根据国家标准或企业标准进行定义。
S2、根据数据清洗后的车辆监测数据进行车辆工况识别,筛选目标片段并确定目标片段的车辆监测数据。
S21、基于数据清洗后的车辆状态数据和充电状态数据识别车辆的静置工况。
具体的,当车辆状态数据显示为熄火状态,且充电状态数据显示为未充电状态时,确定为静置状态,当静置状态持续时间超过30min,则将对应的数据段确定为静置工况。
进一步的,当车辆监测数据存在时间帧不连续的情况时,将数据停发期间的状态认定为帧数据时间出现间断前的最后一帧数据的车辆状态数据以及充电状态数据的值。示例性地,当车辆监测数据的时间帧在8点38分出现间断,至9点恢复数据发送,则将8点38分时的车辆监测数据中的车辆状态数据以及充电状态数据的值作为8点38分至9点之间数据停发期间的车辆状态数据以及充电状态数据的值。
在一些实施例中,还可以通过单体电芯电流数据、车速或电池高压接触器状态信息等进行车辆的静置工况的识别。示例性地,当车速为0,且单体电芯电流数据小于5A时,确定车辆为静置状态;或当电池高压接触器状态信息为断开状态时,确定车辆为静置状态。
S22、根据静置工况的识别结果,对车辆监测数据进行划分,提取车辆监测数据中相邻两个静置工况之间的数据作为目标数据段。
S23、筛选所有目标数据段中,数据帧大于等于预设帧数的目标数据段作为目标片段,并获取目标片段的车辆监测数据。
具体的,预设帧数可以根据需要进行设置,以排除数据帧过少的目标数据段。示例性地,当预设帧数为50帧时,若目标数据段内的数据帧<50帧,则不选用该目标数据段;若目标数据段内的数据帧≥50帧,则选取该目标数据段作为目标片段,并获取该目标片段的车辆监测数据。
S3、根据目标片段的车辆监测数据分别计算各单体电芯特征向量、各单体SOC偏差特征因子和各单体等效短路电阻值。
S31、根据目标片段的车辆监测数据计算各单体电芯特征因子,各单体电芯特征因子包括单体电芯电压最大值因子、单体电芯电压最小值因子、单体电芯极值频率、单体电芯电压最大变化率、单体电芯温度最大值因子、单体电芯温度最小值因子和单体电芯温度最大变化率。
具体的,单体电芯电压最大值因子即为目标片段内该单体电芯电压最大值,单体电芯电压最小值因子即为目标片段内该单体电芯电压最小值,单体电芯温度最大值因子即为目标片段内该单体电芯温度最大值,单体电芯温度最小值因子即为目标片段内该单体电芯温度最小值。
单体电芯极值频率f的计算公式为:
f=F/F总
其中,F为该单体电芯电压为最大或最小单体电芯电压值时对应的帧数,F总为目标片段的数据总帧数。
单体电芯电压最大变化率V的计算公式为:
V=[ΔV/Δt]max
其中,ΔV为该单体电芯相邻数据帧的电压差值,Δt为相邻数据帧的时间差。
单体电芯温度最大变化率T的计算公式为:
T=[ΔT/Δt]max
其中,ΔT为该单体电芯相邻数据帧的温度差值。
进一步的,在由若干个单体电芯组成电池系统时,会先由a个单体电芯组成一个电池模组,再由b个电池模组组成电池系统,在此种情况下,进行数据采集时,对应采集a个单体电芯的电压数据,然而温度数据通常只会采集b个或2b个,其数量少于a个单体电芯的电压数据的数量。示例性地,由96个单体电芯组成电池系统时,会先由12个单体电芯组成一个电池模组,然后再由8个模组组成电池系统。在进行数据采集时,对应采集单体电芯的电压数据有96个(12×8),温度数据通常只会有8个(1×8)或16个(2×8)。当电池系统中温度数据的采集数量少于电压数据的采集数量时,根据电池系统中温度采样点的布置情况,将同一模组内的各单体电芯的温度特征因子设为相同值,其具体值根据该模组对应的温度采样点采集的温度数据进行计算。其中,温度特征因子包括单体电芯温度最大值因子、单体电芯温度最小值因子和单体电芯温度最大变化率。
S32、根据各单体电芯特征因子组成各单体电芯特征向量。
具体的,每个单体的单体电芯特征向量包括该单体的单体电芯电压最大值因子、单体电芯电压最小值因子、单体电芯极值频率、单体电芯电压最大变化率、单体电芯温度最大值因子、单体电芯温度最小值因子和单体电芯温度最大变化率。
S33、根据目标片段中各单体电芯的起始SOC值和下一目标片段中各单体电芯的起始SOC值,计算目标片段中各单体电芯的SOC差值。
具体的,根据电池SOC-OCV曲线与目标片段中各单体电芯的电压值,确定目标片段起止两帧的各单体电芯的SOC值;其中,目标片段的起始帧的各单体电芯的SOC值根据目标片段的起始电压值确定,目标片段的结束帧的各单体电芯的SOC值根据下一目标片段的起始电压值确定。即根据目标片段中各单体电芯的起始SOC值和下一目标片段中各单体电芯的起始SOC值计算目标片段中各单体电芯的SOC差值。
S34、根据目标片段的单体电芯电流数据利用安时积分法计算目标片段的平均SOC差值。
具体的,根据目标片段的单体电芯电流数据利用安时积分法计算该目标片段的电池累计容量变化,并将电池累计容量变化与电池的额定容量相除,将得到的值用百分数表示,记为该目标片段内的平均SOC差值。
S35、根据目标片段中各单体电芯的SOC差值与平均SOC差值,计算各单体电芯SOC偏差特征因子。
具体的,将目标片段中各单体电芯的SOC差值与平均SOC差值作差,得到各单体SOC偏差特征因子。
S36、根据目标片段的单体电芯电压数据和单体电芯电流数据获取各单体等效短路电阻值。
具体的,根据目标片段的单体电芯电压数据和单体电芯电流数据选取带短路电阻的等效电路模型,并通过粒子群、遗传算法、最小二乘法等参数识别方法对等效电路模型中的参数进行计算,得到各单体等效短路电阻值。其中,可以通过在一阶RC等效电路模型的电压输出端并联等效电阻模型电池短路电阻构成带短路电阻的等效电路模型,并根据电路原理及欧姆定律定义,建立带短路电阻的等效电路模型的电压输出公式。
S4、分别根据各单体电芯特征向量、各单体SOC偏差特征因子和各单体等效短路电阻值的离群程度或偏离程度按照从大到小对各单体电芯的位置编号进行排序,得到三组排序结果。
具体的,根据各单体电芯特征向量采用离群识别算法进行离群单体识别,并根据离群程度按照从大到小排序记录识别出的异常单体的排序结果X1=[x1,x2,xi,...,xm],其中xi为异常单体位置编号,i为排序位置,m为识别出的异常单体的个数,排序结果X1中的x1代表离群程度最大的单体电芯的位置编号,xm代表离群程度最小的单体电芯的位置编号。示例性地,离群识别算法可以采用局部离群因子(Local Outlier Factor,简称LOF)算法,也可以采用其他离群识别算法,在此不做限定。
根据各单体SOC偏差特征因子采用统计学方法进行异常偏离识别,并根据偏离程度按照从大到小排序记录识别出的异常单体的排序结果X2=[x1,x2,xj,...,xn],其中xj为异常单体位置编号,j为排序位置,n为识别出的异常单体的个数,排序结果X2中的x1代表偏离程度最大的单体电芯的位置编号,xn代表偏离程度最小的单体电芯的位置编号。
根据各单体等效短路电阻值采用统计学方法进行异常偏离识别,并根据偏离程度按照从大到小排序记录识别出的异常单体的排序结果X3=[x1,x2,xk,...,xo],其中xk为异常单体位置编号,k为排序位置,o为识别出的异常单体的个数,排序结果X3中的x1代表偏离程度最大的单体电芯的位置编号,xo代表偏离程度最小的单体电芯的位置编号。
S5、根据三组各单体电芯的位置编号的排序结果进行单体异常预警。
S51、比较单个目标片段内,分别根据各单体电芯特征向量、各单体SOC偏差特征因子和各单体等效短路电阻值的离群程度或偏离程度按照从大到小进行排序得到的三组各单体电芯的位置编号的排序结果。
S52、若三组各单体电芯的位置编号的排序结果相同,则进行单体内短路高风险预警,并提示异常单体电芯的位置编号。
具体的,在单个目标片段内,若X1=X2=X3,则进行单体内短路高风险预警,并根据三组排序结果提示异常单体电芯的位置编号。
S53、若三组各单体电芯的位置编号的排序结果不同,但三组各单体电芯的位置编号的排序结果中存在重复的单体电芯的位置编号,且重复的单体电芯的位置编号在三组各单体电芯的位置编号的排序结果中的排序位置相同或相邻,则进行单体内短路中风险预警,并提示重复的异常单体电芯的位置编号。
具体的,在单个目标片段内,若X1,X2,X3中存在xi=xj=xk,且xi,xj,xk在X1,X2,X3中所处的排序位置相同或相邻,则进行单体内短路中风险预警,并提示重复的异常单体电芯的位置编号。
S54、若三组各单体电芯的位置编号的排序结果不同,但三组各单体电芯的位置编号的排序结果中存在重复的单体电芯的位置编号,且重复的单体电芯的位置编号在三组各单体电芯的位置编号的排序结果中的排序位置差异大于预设差值,则进行单体内短路低风险预警,并提示重复的异常单体电芯的位置编号。
具体的,在单个目标片段内,若X1,X2,X3中存在xi=xj=xk,但xi,xj,xk在X1,X2,X3中所处的排序位置差异大于预设差值,如位置序号相差超过2,则进行单体内短路中风险预警,并提示重复的异常单体电芯的位置编号。
S55、若三组各单体电芯的位置编号的排序结果不同,且三组各单体电芯的位置编号的排序结果中不存在重复的单体电芯的位置编号,则不进行单体异常预警。
进一步的,若在单个目标片段内,根据各单体电芯特征向量、各单体SOC偏差特征因子和各单体等效短路电阻值的离群程度或偏离程度未识别到异常单体,则不进行单体异常预警。
进一步的,比较连续多个目标片段内,分别根据各单体电芯特征向量、各单体SOC偏差特征因子或各单体等效短路电阻值的离群程度或偏离程度按照从大到小进行排序得到的连续多组各单体电芯的位置编号的排序结果。
若连续多组各单体电芯的位置编号的排序结果中存在重复的单体电芯的位置编号,且重复的单体电芯的位置编号在连续多组各单体电芯的位置编号的排序结果中的排序位置呈现逐渐靠前的趋势,则进行单体内短路劣化趋势风险预警,并提示呈现逐渐靠前的趋势的单体电芯的位置编号。
示例性地,获取连续三个目标片段的多个排序结果,比较每一种排序结果,若排序结果X1或X2或X3中的xi或xj或xk在连续三个目标片段中代表的单体电芯的位置编号相同,但i值或j值或k值逐渐减小,则表示该单体电芯的离群程度或偏离程度越来越大。示例性地,若第一个目标片段的排序结果X1、第二个目标片段的排序结果X1和第三个目标片段的排序结果X1中存在xi代表相同的单体电芯的位置编号,但i值逐渐减小,即该单体电芯的位置编号在同一种排序结果中的排序位置呈现逐渐靠前的趋势,表示该单体电芯相对于其他单体电芯来说表现的异常偏移越来越明显,则进行单体内短路劣化趋势风险预警,并提示呈现逐渐靠前的趋势的单体电芯的位置编号。
本发明实施例中,通过车辆监测数据进行参数指标提取,并通过单体电芯的多种参数设定多层级电池特征参数指标,根据多指标综合判断电池系统内短路风险程度和趋势,提升内短路故障识别的准确性。
进一步的,该方法可用于硬件装置,直接与车辆相连,实时采集车辆监测数据,作为独立的报警装置保障用户安全;也可用于搭建在安全预警云平台,接收车辆上传的实时数据,将预警模型计算后的结果反馈给整车企业及车主。
图3是本发明实施提供的一种电子设备的结构示意图。如图3所示,电子设备500包括一个或多个处理器501和存储器502。
处理器501可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备500中的其他组件以执行期望的功能。
存储器502可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器501可以运行所述程序指令,以实现上文所说明的本申请任意实施例的一种电池系统内短路异常检测方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如初始外参、阈值等各种内容。
在一个示例中,电子设备500还可以包括:输入装置503和输出装置504,这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。该输入装置503可以包括例如键盘、鼠标等等。该输出装置504可以向外部输出各种信息,包括预警提示信息、制动力度等。该输出装置504可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图3中仅示出了该电子设备500中与本申请有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备500还可以包括任何其他适当的组件。
除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本申请任意实施例所提供的一种电池系统内短路异常检测方法的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本申请任意实施例所提供的一种电池系统内短路异常检测方法的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
需要说明的是,本发明所用术语仅为了描述特定实施例,而非限制本申请范围。如本发明说明书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法或者设备不仅包括那些要素,而且还包括没有明确列出的其它要素,或者是还包括为这种过程、方法或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法或者设备中还存在另外的相同要素。
还需说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。除非另有明确的规定和限定,术语“安装”、“相连”、“连接”等应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;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。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案。
Claims (10)
1.一种电池系统内短路异常检测方法,其特征在于,包括如下步骤:
S1、获取车辆监测数据,并进行数据清洗;所述车辆监测数据包括单体电芯电压数据、单体电芯电流数据、单体电芯SOC数据、车辆状态数据、充电状态数据、单体电芯温度数据;其中,所述车辆状态数据表示整车所处的状态,所述充电状态数据表示电池的状态;
S2、根据数据清洗后的所述车辆监测数据进行车辆工况识别,筛选目标片段并确定目标片段的车辆监测数据;
S3、根据所述目标片段的车辆监测数据分别计算各单体电芯特征向量、各单体SOC偏差特征因子和各单体等效短路电阻值;
S4、分别根据所述各单体电芯特征向量、所述各单体SOC偏差特征因子和所述各单体等效短路电阻值的离群程度或偏离程度按照从大到小对各单体电芯的位置编号进行排序,得到三组排序结果;
S5、根据三组所述各单体电芯的位置编号的排序结果进行单体异常预警。
2.根据权利要求1所述的一种电池系统内短路异常检测方法,其特征在于,所述S1,所述进行数据清洗具体包括:
删除所述单体电芯电压数据不在2-5V范围内的时间帧数据;删除所述单体电芯SOC数据不在0%-100%范围内的时间帧数据;删除所述车辆状态数据和所述充电状态数据不在值域定义范围内,或为空值的时间帧数据。
3.根据权利要求2所述的一种电池系统内短路异常检测方法,其特征在于,所述S2,所述根据数据清洗后的所述车辆监测数据进行车辆工况识别,筛选目标片段并确定目标片段的车辆监测数据包括:
S21、基于所述数据清洗后的所述车辆状态数据和充电状态数据识别车辆的静置工况;
S22、根据所述静置工况的识别结果,对所述车辆监测数据进行划分,提取所述车辆监测数据中相邻两个静置工况之间的数据作为目标数据段;
S23、筛选所有所述目标数据段中,数据帧大于等于预设帧数的目标数据段作为所述目标片段,并获取所述目标片段的车辆监测数据。
4.根据权利要求3所述的一种电池系统内短路异常检测方法,其特征在于,所述S21,所述车辆的静置工况的识别方法包括:
当所述车辆状态数据显示为熄火状态,且所述充电状态数据显示为未充电状态时,确定为静置状态,当所述静置状态持续时间超过30min,则将对应的数据段确定为静置工况。
5.根据权利要求1所述的一种电池系统内短路异常检测方法,其特征在于,所述S3,所述根据所述目标片段的车辆监测数据分别计算各单体电芯特征向量、各单体SOC偏差特征因子和各单体等效短路电阻值具体包括:
S31、根据所述目标片段的车辆监测数据计算各单体电芯特征因子,所述各单体电芯特征因子包括单体电芯电压最大值因子、单体电芯电压最小值因子、单体电芯极值频率、单体电芯电压最大变化率、单体电芯温度最大值因子、单体电芯温度最小值因子和单体电芯温度最大变化率;
S32、根据所述各单体电芯特征因子组成所述各单体电芯特征向量;
S33、根据所述目标片段中各单体电芯的起始SOC值和下一目标片段中各单体电芯的起始SOC值,计算所述目标片段中各单体电芯的SOC差值;
S34、根据所述目标片段的单体电芯电流数据利用安时积分法计算所述目标片段的平均SOC差值;
S35、根据所述目标片段中各单体电芯的SOC差值与所述平均SOC差值,计算所述各单体SOC偏差特征因子;
S36、根据所述目标片段的单体电芯电压数据和单体电芯电流数据获取各单体等效短路电阻值。
6.根据权利要求5所述的一种电池系统内短路异常检测方法,其特征在于,所述S5,所述根据所述各单体电芯的位置编号的排序结果进行单体异常预警包括:
S51、比较单个目标片段内,分别根据所述各单体电芯特征向量、所述各单体SOC偏差特征因子和所述各单体等效短路电阻值的离群程度或偏离程度按照从大到小进行排序得到的三组所述各单体电芯的位置编号的排序结果;
S52、若三组所述各单体电芯的位置编号的排序结果相同,则进行单体内短路高风险预警,并提示异常单体电芯的位置编号;
S53、若三组所述各单体电芯的位置编号的排序结果不同,但三组所述各单体电芯的位置编号的排序结果中存在重复的单体电芯的位置编号,且所述重复的单体电芯的位置编号在三组所述各单体电芯的位置编号的排序结果中的排序位置相同或相邻,则进行单体内短路中风险预警,并提示重复的异常单体电芯的位置编号;
S54、若三组所述各单体电芯的位置编号的排序结果不同,但三组所述各单体电芯的位置编号的排序结果中存在重复的单体电芯的位置编号,且所述重复的单体电芯的位置编号在三组所述各单体电芯的位置编号的排序结果中的排序位置差异大于预设差值,则进行单体内短路低风险预警,并提示重复的异常单体电芯的位置编号;
S55、若三组所述各单体电芯的位置编号的排序结果不同,且三组所述各单体电芯的位置编号的排序结果中不存在重复的单体电芯的位置编号,则不进行单体异常预警。
7.根据权利要求5所述的一种电池系统内短路异常检测方法,其特征在于,所述S5,所述根据所述各单体电芯的位置编号的排序结果进行单体异常预警包括:
若在单个目标片段内,根据所述各单体电芯特征向量、所述各单体SOC偏差特征因子和所述各单体等效短路电阻值的离群程度或偏离程度未识别到异常单体,则不进行单体异常预警。
8.根据权利要求5所述的一种电池系统内短路异常检测方法,其特征在于,所述S5,所述根据所述各单体电芯的位置编号的排序结果进行单体异常预警包括:
比较连续多个目标片段内,分别根据所述各单体电芯特征向量、所述各单体SOC偏差特征因子或所述各单体等效短路电阻值的离群程度或偏离程度按照从大到小进行排序得到的连续多组所述各单体电芯的位置编号的排序结果;
若连续多组所述各单体电芯的位置编号的排序结果中存在重复的单体电芯的位置编号,且所述重复的单体电芯的位置编号在连续多组所述各单体电芯的位置编号的排序结果中的排序位置呈现逐渐靠前的趋势,则进行单体内短路劣化趋势风险预警,并提示呈现逐渐靠前的趋势的单体电芯的位置编号。
9.一种电子设备,其特征在于,所述电子设备包括:
处理器和存储器;
所述处理器通过调用所述存储器存储的程序或指令,用于执行如权利要求1至8任一项所述的一种电池系统内短路异常检测方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储程序或指令,所述程序或指令使计算机执行如权利要求1至8任一项所述的一种电池系统内短路异常检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410309064.3A CN117907844A (zh) | 2024-03-19 | 2024-03-19 | 电池系统内短路异常检测方法、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410309064.3A CN117907844A (zh) | 2024-03-19 | 2024-03-19 | 电池系统内短路异常检测方法、电子设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117907844A true CN117907844A (zh) | 2024-04-19 |
Family
ID=90690965
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410309064.3A Pending CN117907844A (zh) | 2024-03-19 | 2024-03-19 | 电池系统内短路异常检测方法、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117907844A (zh) |
-
2024
- 2024-03-19 CN CN202410309064.3A patent/CN117907844A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113687234B (zh) | 电池异常识别方法、装置、设备、介质及程序产品 | |
US20230347785A1 (en) | Consistency evaluation method for vehicle battery cell, device, equipment and storage medium | |
CN114148216A (zh) | 电池自放电率异常检测方法、系统、设备及存储介质 | |
CN114464906A (zh) | 动力电池预警方法和装置 | |
KR20240019187A (ko) | 배터리 셀 진단 장치 및 방법 | |
CN116381542B (zh) | 基于人工智能的电源设备的健康诊断方法及装置 | |
CN116008820B (zh) | 针对车辆电池单体不一致性的检测方法、设备和介质 | |
CN116923188A (zh) | 一种新能源车的充电保护系统 | |
CN114631032A (zh) | 用于监控电池组健康状况的方法和系统 | |
CN116736166A (zh) | 电池包的电芯异常检测方法、装置及电池包 | |
CN117907844A (zh) | 电池系统内短路异常检测方法、电子设备及介质 | |
CN116031508A (zh) | 一种基于深度学习的锂离子电池管理系统及方法 | |
EP3862765B1 (en) | Battery degradation evaluation system, battery degradation evaluation method, and battery degradation evaluation program | |
CN115508713A (zh) | 一种电池系统安全预警方法、装置、存储介质及设备 | |
CN116080470A (zh) | 电动汽车的动力电池监控方法、装置、服务器及介质 | |
CN114200323A (zh) | 电池短路故障预警信息生成方法和装置、设备、介质 | |
CN117595464B (zh) | 一种电池充电器充电检测控制方法及系统 | |
US11981228B2 (en) | Battery health monitoring and failure identification | |
CN113791350B (zh) | 电池故障预测方法 | |
US20230294554A1 (en) | Battery health monitoring and failure identification | |
CN117648589B (zh) | 一种储能电池热失控预警方法、系统、电子设备及介质 | |
JP7485043B2 (ja) | 電源装置および電池の不具合検出方法 | |
CN115314401B (zh) | 接触网状态监测方法、装置、电子设备及存储介质 | |
CN117554819A (zh) | 基于胞映射优化的动力电池在线预警方法、设备及介质 | |
CN117972620A (zh) | 基于逻辑回归算法的电芯异常预测方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |