CN118033465B - 电池自放电异常识别方法、装置、车辆及存储介质 - Google Patents

Abstract

本发明涉及车辆电池技术领域，特别涉及一种电池自放电异常识别方法、装置、车辆及存储介质，其中，方法包括：基于车辆的运行数据，筛选出停车充电工况数据和驻车充电工况数据，进而得到每个单体电芯的停车充电和驻车充电的特征值和下降幅度；基于特征值阈值和下降幅度阈值，根据每个单体电芯的停车充电和驻车充电的特征值和下降幅度得到表征电芯异常的布尔矩阵，并通过预设的线性趋势检测策略，得到电池的自放电异常识别结果。由此，解决了相关技术中的识别方法精确度低、适用范围有限等问题，通过识别两种充电工况，适用车型范围广，并采用多种阈值递进式联合诊断，防止单一阈值判定引起的误报，提高了自放电异常识别的精确度。

Description

电池自放电异常识别方法、装置、车辆及存储介质

技术领域

本发明涉及车辆电池技术领域，特别涉及一种电池自放电异常识别方法、装置、车辆及存储介质。

背景技术

随着新能源汽车产业的快速发展和保有量的不断增加，人们越来越关注新能源汽车的使用寿命和安全性。其中，动力电池是影响新能源汽车使用寿命的关键零部件，而电池自放电异常是导致电池寿命衰减、性能衰减和车辆热失控的重要原因，因此，对电池自放电异常进行在线快速识别和预警具有重要意义。

相关技术中，通常通过判断电压、容量、内阻、温度等基本参数的变化率，或者基于基本参数计算得到的复合特征参数变化率是否超出设定的阈值，从而判断动力电池是否发生自放电异常。

然而，上述方法仅用单一阈值变化率进行判断，精确度较低，并且会过度识别自放电异常，产生误报的问题，同时该方法仅能识别纯电动车辆的自放电异常，对新能源车辆类型适用范围有限，亟待改进。

发明内容

本发明提供一种电池自放电异常识别方法、装置、车辆及存储介质，以解决相关技术中的识别方法精确度低、适用范围有限等问题。

本发明第一方面实施例提供一种电池自放电异常识别方法，包括以下步骤：

获取车辆的运行数据；

基于所述运行数据，筛选出停车充电工况数据和驻车充电工况数据，根据所述停车充电工况数据得到每个单体电芯的停车充电电压特征值和停车充电电压下降幅度，且根据所述驻车充电工况数据得到每个单体电芯的驻车充电电压特征值和驻车充电电压下降幅度；

基于特征值阈值和下降幅度阈值，根据所述每个单体电芯的停车充电电压特征值和停车充电电压下降幅度得到表征电芯异常的第一布尔矩阵，并根据所述每个单体电芯的驻车充电电压特征值和驻车充电电压下降幅度得到表征电芯异常的第二布尔矩阵；以及

基于预设的线性趋势检测策略，根据所述第一布尔矩阵和/或所述第二布尔矩阵得到电池的自放电异常识别结果。

根据本发明的一个实施例，所述根据所述停车充电工况数据得到每个单体电芯的停车充电电压特征值和停车充电电压下降幅度，包括：

根据所述停车充电工况数据计算每个单体电芯电压和同时刻单体电芯电压中位数的压差，得到第一压差矩阵；

对所述第一压差矩阵进行时间滑窗均值滤波处理，得到所述每个单体电芯的停车充电电压特征值；

对所述每个单体电芯的停车充电电压特征值进行差分计算，并对差分值进行滑动窗口求和，得到所述每个单体电芯的停车充电电压下降幅度。

根据本发明的一个实施例，所述根据所述驻车充电工况数据得到每个单体电芯的驻车充电电压特征值和驻车充电电压下降幅度，包括：

根据所述驻车充电工况数据计算每个单体电芯电压和同时刻单体电芯电压中位数的压差，得到第二压差矩阵；

对所述第二压差矩阵进行时间滑窗均值滤波处理，得到所述每个单体电芯的驻车充电电压特征值；

对所述每个单体电芯的驻车充电电压特征值进行差分计算，并对差分值进行滑动窗口求和，得到所述每个单体电芯的驻车充电电压下降幅度。

根据本发明的一个实施例，所述基于特征值阈值和下降幅度阈值，根据所述每个单体电芯的停车充电电压特征值和停车充电电压下降幅度得到表征电芯异常的第一布尔矩阵，并根据所述每个单体电芯的驻车充电电压特征值和驻车充电电压下降幅度得到表征电芯异常的第二布尔矩阵，包括：

将停车充电电压特征值大于所述特征值阈值且停车充电电压下降幅度大于下降幅度阈值的单体电芯标记为第一数值，并将剩余的单体电芯标记为第二数值，根据所述第一数值和所述第二数值构成所述第一布尔矩阵；

将驻车充电电压特征值大于所述特征值阈值且驻车充电电压下降幅度大于下降幅度阈值的单体电芯标记为第三数值，并将剩余的单体电芯标记为第四数值，根据所述第三数值和所述第四数值构成所述第二布尔矩阵。

根据本发明的一个实施例，在基于所述特征值阈值和所述下降幅度阈值，根据所述每个单体电芯的停车充电电压特征值和停车充电电压下降幅度得到表征电芯异常的第一布尔矩阵，并根据所述每个单体电芯的驻车充电电压特征值和驻车充电电压下降幅度得到表征电芯异常的第二布尔矩阵之前，还包括：

获取所述车辆的历史运行数据；

根据所述车辆的充放电循环次数进行确定标准数据长度，并基于所述标准数据长度，从所述历史运行数据选取部分数据作为标准数据；

基于预设的标准差计算策略，对所述标准数据进行计算得到所述特征值阈值和所述下降幅度阈值。

根据本发明的一个实施例，所述基于预设的线性趋势检测策略，根据所述第一布尔矩阵和/或所述第二布尔矩阵得到电池的自放电异常识别结果，包括：

对所述第一布尔矩阵进行列向量求和得到多个第一布尔和，并筛选出第一布尔和大于预设阈值的第一目标单体电芯进行线性趋势检测得到第一斜率，若所述第一斜率大于预设斜率阈值，则判定所述电池的自放电异常识别结果为自放电异常；

和/或，对所述第二布尔矩阵进行列向量求和得到多个第二布尔和，并筛选出第二布尔和大于所述预设阈值的第二目标单体电芯进行线性趋势检测得到第二斜率，若所述第二斜率大于所述预设斜率阈值，则判定所述电池的自放电异常识别结果为自放电异常。

根据本发明实施例提供的电池自放电异常识别方法，根据车辆的运行数据筛选出停车充电和驻车充电的工况数据，并计算每个单体电芯的停车充电和驻车充电的特征值和下降幅度，根据特征值和下降幅度的阈值，得到表征电芯的异常的布尔矩阵，并基于预设的线性趋势检测策略，得到电池的自放电异常识别结果。由此，解决了相关技术中的识别方法精确度低、适用范围有限等问题，通过识别两种充电工况，适用车型范围广，并采用多种阈值递进式联合诊断，防止单一阈值判定引起的误报，提高了自放电异常识别的精确度。

本发明第二方面实施例提供一种电池自放电异常识别装置，包括：

获取模块，用于获取车辆的运行数据；

处理模块，用于基于所述运行数据，筛选出停车充电工况数据和驻车充电工况数据，根据所述停车充电工况数据得到每个单体电芯的停车充电电压特征值和停车充电电压下降幅度，且根据所述驻车充电工况数据得到每个单体电芯的驻车充电电压特征值和驻车充电电压下降幅度；

检测模块，用于基于特征值阈值和下降幅度阈值，根据所述每个单体电芯的停车充电电压特征值和停车充电电压下降幅度得到表征电芯异常的第一布尔矩阵，并根据所述每个单体电芯的驻车充电电压特征值和驻车充电电压下降幅度得到表征电芯异常的第二布尔矩阵；以及

识别模块，用于基于预设的线性趋势检测策略，根据所述第一布尔矩阵和/或所述第二布尔矩阵得到电池的自放电异常识别结果。

根据本发明的一个实施例，所述处理模块，用于：

根据所述停车充电工况数据计算每个单体电芯电压和同时刻单体电芯电压中位数的压差，得到第一压差矩阵；

对所述第一压差矩阵进行时间滑窗均值滤波处理，得到所述每个单体电芯的停车充电电压特征值；

对所述每个单体电芯的停车充电电压特征值进行差分计算，并对差分值进行滑动窗口求和，得到所述每个单体电芯的停车充电电压下降幅度。

根据本发明的一个实施例，所述处理模块，用于：

根据所述驻车充电工况数据计算每个单体电芯电压和同时刻单体电芯电压中位数的压差，得到第二压差矩阵；

对所述第二压差矩阵进行时间滑窗均值滤波处理，得到所述每个单体电芯的驻车充电电压特征值；

对所述每个单体电芯的驻车充电电压特征值进行差分计算，并对差分值进行滑动窗口求和，得到所述每个单体电芯的驻车充电电压下降幅度。

根据本发明的一个实施例，所述检测模块，用于：

将停车充电电压特征值大于所述特征值阈值且停车充电电压下降幅度大于下降幅度阈值的单体电芯标记为第一数值，并将剩余的单体电芯标记为第二数值，根据所述第一数值和所述第二数值构成所述第一布尔矩阵；

将驻车充电电压特征值大于所述特征值阈值且驻车充电电压下降幅度大于下降幅度阈值的单体电芯标记为第三数值，并将剩余的单体电芯标记为第四数值，根据所述第三数值和所述第四数值构成所述第二布尔矩阵。

根据本发明的一个实施例，在基于所述特征值阈值和所述下降幅度阈值，根据所述每个单体电芯的停车充电电压特征值和停车充电电压下降幅度得到表征电芯异常的第一布尔矩阵，并根据所述每个单体电芯的驻车充电电压特征值和驻车充电电压下降幅度得到表征电芯异常的第二布尔矩阵之前，所述检测模块，还用于：

获取所述车辆的历史运行数据；

根据所述车辆的充放电循环次数进行确定标准数据长度，并基于所述标准数据长度，从所述历史运行数据选取部分数据作为标准数据；

基于预设的标准差计算策略，对所述标准数据进行计算得到所述特征值阈值和所述下降幅度阈值。

根据本发明的一个实施例，所述识别模块，用于：

对所述第一布尔矩阵进行列向量求和得到多个第一布尔和，并筛选出第一布尔和大于预设阈值的第一目标单体电芯进行线性趋势检测得到第一斜率，若所述第一斜率大于预设斜率阈值，则判定所述电池的自放电异常识别结果为自放电异常；

和/或，对所述第二布尔矩阵进行列向量求和得到多个第二布尔和，并筛选出第二布尔和大于所述预设阈值的第二目标单体电芯进行线性趋势检测得到第二斜率，若所述第二斜率大于所述预设斜率阈值，则判定所述电池的自放电异常识别结果为自放电异常。

根据本发明实施例提供的电池自放电异常识别装置，根据车辆的运行数据筛选出停车充电和驻车充电的工况数据，并计算每个单体电芯的停车充电和驻车充电的特征值和下降幅度，根据特征值和下降幅度的阈值，得到表征电芯的异常的布尔矩阵，并基于预设的线性趋势检测策略，得到电池的自放电异常识别结果。由此，解决了相关技术中的识别方法精确度低、适用范围有限等问题，通过识别两种充电工况，适用车型范围广，并采用多种阈值递进式联合诊断，防止单一阈值判定引起的误报，提高了自放电异常识别的精确度。

本发明第三方面实施例提供一种车辆，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如上述实施例所述的电池自放电异常识别方法。

本发明第四方面实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上述实施例所述的电池自放电异常识别方法。

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

本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为根据本发明实施例提供的一种电池自放电异常识别方法的流程图；

图2为根据本发明的一个实施例的线性趋势检测的流程图；

图3为根据本发明的一个实施例的电池自放电异常识别方法的流程图；

图4为根据本发明实施例的电池自放电异常识别装置的方框示意图；

图5为本发明实施例提供的车辆的结构示意图。

其中，10-电池自放电异常识别装置，100-获取模块，200-处理模块，300-检测模块，400-识别模块；501-存储器，502-处理器，503-通信接口。

具体实施方式

下面详细描述本发明的实施例，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的电池自放电异常识别方法、装置、车辆及存储介质。针对上述背景技术中提到的识别方法精确度低、适用范围有限等问题，本发明提供了一种电池自放电异常识别方法，在该方法中，根据车辆的运行数据筛选出停车充电和驻车充电的工况数据，并计算每个单体电芯的停车充电和驻车充电的特征值和下降幅度，根据特征值和下降幅度的阈值，得到表征电芯的异常的布尔矩阵，并基于预设的线性趋势检测策略，得到电池的自放电异常识别结果。由此，解决了相关技术中的识别方法精确度低、适用范围有限等问题，通过识别两种充电工况，适用车型范围广，并采用多种阈值递进式联合诊断，防止单一阈值判定引起的误报，提高了自放电异常识别的精确度。

具体而言，图1为本发明实施例所提供的一种电池自放电异常识别方法的流程示意图。

如图1所示，该电池自放电异常识别方法包括以下步骤：

在步骤S101中，获取车辆的运行数据。

其中，车辆的运行数据可以包括车端采集上传的时间、电池单体电压、SOC（Stateof Charge，电池的荷电状态）、电池电流、充电状态、速度等数据。

具体地，本发明实施例可以通过车辆的嵌入式系统进行获取车辆的运行数据。需要说明的是，上述通过车辆的嵌入式系统获取车辆的运行数据仅为示例性的，不作为对本发明的限制，本领域技术人员可以根据实际情况采取其他方式获取车辆的运行数据，为避免冗余，在此不做详细赘述。

进一步地，在获取到车辆的运行数据之后，本发明实施例可以对车辆的运行数据进行异常值处理，处理方式包含但不限于空值删除、插值、均值修正等方法。

在步骤S102中，基于运行数据，筛选出停车充电工况数据和驻车充电工况数据，根据停车充电工况数据得到每个单体电芯的停车充电电压特征值和停车充电电压下降幅度，且根据驻车充电工况数据得到每个单体电芯的驻车充电电压特征值和驻车充电电压下降幅度。

优选地，停车充电工况可以为停车充电桩充电，驻车充电工况可以为驻车氢堆充电。

具体地，本发明实施例可以根据车辆的行驶特征筛选并划分停车充电工况和驻车充电工况，并基于运行数据，根据电池类型限定SOC范围，从而筛选出停车充电工况数据和驻车充电工况数据。

由此，通过筛选并划分停车充电和驻车充电两种充电工况，数据选取范围广且数据状态稳定，影响异常判断的数据干扰因素少，适用于纯电动车辆和氢燃料车辆等多种新能源车型，适用车型范围广，从而提高了电池自放电异常识别方法的通用性。

进一步地，在一些实施例中，根据停车充电工况数据得到每个单体电芯的停车充电电压特征值和停车充电电压下降幅度，包括：根据停车充电工况数据计算每个单体电芯电压和同时刻单体电芯电压中位数的压差，得到第一压差矩阵；对第一压差矩阵进行时间滑窗均值滤波处理，得到每个单体电芯的停车充电电压特征值；对每个单体电芯的停车充电电压特征值进行差分计算，并对差分值进行滑动窗口求和，得到每个单体电芯的停车充电电压下降幅度。

可以理解的是，车辆的电池自放电异常表现为一支或几支电芯电压相对正常电芯逐步负偏离且无法自行修复，因此，本发明可以基于电池的电芯进行自放电异常识别。

具体地，根据停车充电工况数据计算每个单体电芯电压和同时刻单体电芯电压中位数的压差可以准确计算每个单体电芯的电压变化情况，了解到电池的状态。并且通过计算电压中位数的压差，可以排除个别异常点对结果的影响，提高计算结果的准确性。对第一压差矩阵进行时间滑窗均值滤波处理，可以实现平滑电压变化的噪声信号，提高每个单体电芯的停车特征值的稳定性和可靠性，同时通过差分计算和滑动窗口求和，可以得到单体电芯的下降幅度，便于后续基于得到每个单体电芯的停车充电电压特征值和下降幅度进行分析识别自放电异常。

进一步地，在一些实施例中，根据驻车充电工况数据得到每个单体电芯的驻车充电电压特征值和驻车充电电压下降幅度，包括：根据驻车充电工况数据计算每个单体电芯电压和同时刻单体电芯电压中位数的压差，得到第二压差矩阵；对第二压差矩阵进行时间滑窗均值滤波处理，得到每个单体电芯的驻车充电电压特征值；对每个单体电芯的驻车充电电压特征值进行差分计算，并对差分值进行滑动窗口求和，得到每个单体电芯的驻车充电电压下降幅度。

具体地，根据驻车充电工况数据计算每个单体电芯电压和同时刻单体电芯电压中位数的压差，剔除电芯一致性趋势，从而得到第二压差矩阵，可以判断电池在驻车充电过程中是否处于正常状态。对第二压差矩阵进行时间滑窗均值滤波处理可以将噪声平滑，从而得到更加稳定的驻车充电电压特征值。通过对驻车充电电压特征值进行差分计算，并对差分值进行滑动窗口求和，进而得到电芯在驻车充电过程中的下降幅度，便于后续根据驻车充电电压特征值和驻车充电电压下降幅度检测电池自放电异常。

在步骤S103中，基于特征值阈值和下降幅度阈值，根据每个单体电芯的停车充电电压特征值和停车充电电压下降幅度得到表征电芯异常的第一布尔矩阵，并根据每个单体电芯的驻车充电电压特征值和驻车充电电压下降幅度得到表征电芯异常的第二布尔矩阵。

具体地，通过特征值阈值和下降幅度阈值，实现对电芯异常的敏感检测，能够快速筛选出异常电芯，提高了检测效率。通过将每个单体电芯的停车充电电压特征值和停车充电电压下降幅度，以及驻车充电电压特征值和驻车充电电压下降幅度转化为布尔矩阵，方便进行数据分析和处理，提供了更直观的异常信息。

进一步地，在一些实施例中，在基于特征值阈值和下降幅度阈值，根据每个单体电芯的停车充电电压特征值和停车充电电压下降幅度得到表征电芯异常的第一布尔矩阵，并根据每个单体电芯的驻车充电电压特征值和驻车充电电压下降幅度得到表征电芯异常的第二布尔矩阵之前，还包括：获取车辆的历史运行数据；根据车辆的充放电循环次数进行确定标准数据长度，并基于标准数据长度，从历史运行数据选取部分数据作为标准数据；基于预设的标准差计算策略，对标准数据进行计算得到特征值阈值和下降幅度阈值。

其中，标准差作为一种统计量，可以用来描述数据的离散程度，可以反映充电行为的稳定性和一致性。预设的标准差计算策略可以为现有技术中的标准差计算策略，在此不做具体限定。

具体地，充放电循环次数可以直观地反映电池的使用时间和频率，根据车辆的充放电循环次数确定标准数据长度，具有一定的代表性，基于标准数据长度从历史运行数据选取部分数据作为标准数据可以更好地反映充电行为的特征，并且减少了计算量，提高计算效率。通过计算得到特征值阈值和下降幅度阈值，可以为后续的电池自放电异常识别提供依据。

进一步地，在一些实施例中，基于特征值阈值和下降幅度阈值，根据每个单体电芯的停车充电电压特征值和停车充电电压下降幅度得到表征电芯异常的第一布尔矩阵，并根据每个单体电芯的驻车充电电压特征值和驻车充电电压下降幅度得到表征电芯异常的第二布尔矩阵，包括：将停车充电电压特征值大于特征值阈值且停车充电电压下降幅度大于下降幅度阈值的单体电芯标记为第一数值，并将剩余的单体电芯标记为第二数值，根据第一数值和第二数值构成第一布尔矩阵；将驻车充电电压特征值大于特征值阈值且驻车充电电压下降幅度大于下降幅度阈值的单体电芯标记为第三数值，并将剩余的单体电芯标记为第四数值，根据第三数值和第四数值构成第二布尔矩阵。

可选地，第一数值可以为1，第二数值可以为0，第三数值可以为1，第四数值可以为0。

具体地，通过分别对每个单体电芯的停车充电工况和驻车充电工况全量数据中大于特征值阈值并且大于下降幅度阈值的数据点进行异常标记，从而得到如下所示的表征电芯异常的布尔矩阵：

由此，通过将停车充电电压特征值大于特征值阈值且停车充电电压下降幅度大于下降幅度阈值的单体电芯标记为第一数值可以准确地识别出停车充电状态下表现出异常特征的电芯，从而提前发现潜在的问题或故障。将剩余的单体电芯标记为第二数值可以将正常的电芯与异常的电芯区分开，便于后续的分析和处理。根据第一数值和第二数值构成第一布尔矩阵，实现了将电芯的状态以布尔值的形式表示，简化了数据的处理和分析过程。驻车充电工况的第二布尔矩阵构成过程与第一布尔矩阵的构成同理，此处不作详细赘述。

在步骤S104中，基于预设的线性趋势检测策略，根据第一布尔矩阵和/或第二布尔矩阵得到电池的自放电异常识别结果。

优选地，预设的线性趋势检测策略可以为斜率法线性趋势检测策略。

具体地，本发明实施例可以基于预设的线性趋势检测策略，根据第一布尔矩阵得到电池的自放电异常识别结果，或根据第二布尔矩阵得到电池的自放电异常识别结果，或根据第一布尔矩阵和第二布尔矩阵得到电池的自放电异常识别结果。

进一步地，在一些实施例中，基于预设的线性趋势检测策略，根据第一布尔矩阵和/或第二布尔矩阵得到电池的自放电异常识别结果，包括：对第一布尔矩阵进行列向量求和得到多个第一布尔和，并筛选出第一布尔和大于预设阈值的第一目标单体电芯进行线性趋势检测得到第一斜率，若第一斜率大于预设斜率阈值，则判定电池的自放电异常识别结果为自放电异常；和/或，对第二布尔矩阵进行列向量求和得到多个第二布尔和，并筛选出第二布尔和大于预设阈值的第二目标单体电芯进行线性趋势检测得到第二斜率，若第二斜率大于预设斜率阈值，则判定电池的自放电异常识别结果为自放电异常。

其中，预设阈值和预设斜率阈值可以是本领域技术人员预先设定的阈值，可以是通过有限次实验获取的阈值，也可以是通过有限次计算机仿真得到的阈值，在此不做具体限定。

具体地，通过对停车充电工况和驻车充电工况的布尔矩阵进行求和可以将多个布尔值进行合并，从而简化数据处理过程，减少计算复杂度并提高效率，根据预设阈值进行筛选可以有效地过滤出目标单体电芯，减少后续处理的数据量，提高计算的效率。线性趋势检测可以识别电池自放电的趋势，通过计算斜率可以更直观地了解趋势的变化，进行异常识别。通过设定斜率阈值进行判定可以自动识别自放电异常，提高了自放电异常识别的准确度和精准度。

进一步地，对停车充电工况和驻车充电工况中的第一布尔矩阵和第二布尔矩阵的布尔和超出预设阈值的目标单体电芯进行斜率法线性趋势检测，本发明实施例可以记录布尔和超出预设阈值的目标单体电芯的布尔矩阵中起止为1的时刻，对起止时刻之间所有的特征值进行线性拟合得到第一斜率和第二斜率。当第一斜率大于预设斜率阈值时，则判定电池的自放电异常识别结果为自放电异常，或者当第二斜率大于预设斜率阈值时，则判定电池的自放电异常识别结果为自放电异常，或者当第一斜率大于预设斜率并且第二斜率大于预设斜率阈值时，则判定电池的自放电异常识别结果为自放电异常。

需要说明的是，除了上述的记录布尔和超出预设阈值的目标单体电芯的布尔矩阵中起止为1的时刻，对起止时刻之间所有的特征值进行线性拟合的线性趋势检测方法之外，本领域技术人员还可以采取其他方式进行线性趋势检测，从而过滤筛选出符合自放电特征的电芯，这些方法都应在本发明的保护范围之内。

为了便于本领域技术人员更清晰直观地了解本发明实施例的线性趋势检测过程，下面结合图2进行详细说明。

如图2所示，该线性趋势检测流程包括以下步骤：

S201，开始。

S202，布尔矩阵每列求和，得到1行n列的行向量。

S203，判断行向量每个值是否超过预设阈值，如果是，则执行S204。

S204，利用斜率法对特征值进行线性趋势检测。

S205，判断斜率是否超过预设斜率阈值，如果是，则执行S206。

S206，输出异常电芯和异常时刻。

由此，通过在预设阈值判定的基础上增加线性趋势检测，多层过滤筛选出符合自放电特征的电芯，对自放电异常逐步负偏离的变化过程进行识别，有效减少了误报，提高了自放电异常识别的准确性及精准度。

为了便于本领域技术人员更清晰直观地了解本发明实施例的电池自放电异常识别方法，下面结合图3进行详细说明。

如图3所示，该电池自放电异常识别方法包括以下步骤：

S301，对车端采集上传的时间、电池单体电压、SOC、电流、充电状态等数据进行异常值、空值删除或差值等预处理。

S302，根据车辆行驶特征筛选停车充电桩充电和驻车氢堆充电两种工况，分别对两种工况进行特征值提取和阈值计算，并将特征值与阈值比较，初步筛选出异常电芯。

S303，对超过阈值的单体电芯开展线性趋势检验，检验通过对该单体电芯进行自放电异常预警，并记录发生异常的时刻。

S304，定时触发。

根据本发明实施例提出的电池自放电异常识别方法，根据车辆的运行数据筛选出停车充电和驻车充电的工况数据，并计算每个单体电芯的停车充电和驻车充电的特征值和下降幅度，根据特征值和下降幅度的阈值，得到表征电芯的异常的布尔矩阵，并基于预设的线性趋势检测策略，得到电池的自放电异常识别结果。由此，解决了相关技术中的识别方法精确度低、适用范围有限等问题，通过识别两种充电工况，适用车型范围广，并采用多种阈值递进式联合诊断，防止单一阈值判定引起的误报，提高了自放电异常识别的精确度。

其次参照附图描述根据本发明实施例提出的电池自放电异常识别装置。

图4是本发明实施例的电池自放电异常识别装置10的方框示意图。

如图4所示，该电池自放电异常识别装置10包括：获取模块100、处理模块200、检测模块300和识别模块400。

其中，获取模块100，用于获取车辆的运行数据；处理模块200，用于基于运行数据，筛选出停车充电工况数据和驻车充电工况数据，根据停车充电工况数据得到每个单体电芯的停车充电电压特征值和停车充电电压下降幅度，且根据驻车充电工况数据得到每个单体电芯的驻车充电电压特征值和驻车充电电压下降幅度；检测模块300，用于基于特征值阈值和下降幅度阈值，根据每个单体电芯的停车充电电压特征值和停车充电电压下降幅度得到表征电芯异常的第一布尔矩阵，并根据每个单体电芯的驻车充电电压特征值和驻车充电电压下降幅度得到表征电芯异常的第二布尔矩阵；识别模块400，用于基于预设的线性趋势检测策略，根据第一布尔矩阵和/或第二布尔矩阵得到电池的自放电异常识别结果。

进一步地，在一些实施例中，处理模块200，用于：根据停车充电工况数据计算每个单体电芯电压和同时刻单体电芯电压中位数的压差，得到第一压差矩阵；对第一压差矩阵进行时间滑窗均值滤波处理，得到每个单体电芯的停车充电电压特征值；对每个单体电芯的停车充电电压特征值进行差分计算，并对差分值进行滑动窗口求和，得到每个单体电芯的停车充电电压下降幅度。

进一步地，在一些实施例中，处理模块200，用于：根据驻车充电工况数据计算每个单体电芯电压和同时刻单体电芯电压中位数的压差，得到第二压差矩阵；对第二压差矩阵进行时间滑窗均值滤波处理，得到每个单体电芯的驻车充电电压特征值；对每个单体电芯的驻车充电电压特征值进行差分计算，并对差分值进行滑动窗口求和，得到每个单体电芯的驻车充电电压下降幅度。

进一步地，在一些实施例中，检测模块300，用于：将停车充电电压特征值大于特征值阈值且停车充电电压下降幅度大于下降幅度阈值的单体电芯标记为第一数值，并将剩余的单体电芯标记为第二数值，根据第一数值和第二数值构成第一布尔矩阵；将驻车充电电压特征值大于特征值阈值且驻车充电电压下降幅度大于下降幅度阈值的单体电芯标记为第三数值，并将剩余的单体电芯标记为第四数值，根据第三数值和第四数值构成第二布尔矩阵。

进一步地，在一些实施例中，在基于特征值阈值和下降幅度阈值，根据每个单体电芯的停车充电电压特征值和停车充电电压下降幅度得到表征电芯异常的第一布尔矩阵，并根据每个单体电芯的驻车充电电压特征值和驻车充电电压下降幅度得到表征电芯异常的第二布尔矩阵之前，检测模块300，还用于：获取车辆的历史运行数据；根据车辆的充放电循环次数进行确定标准数据长度，并基于标准数据长度，从历史运行数据选取部分数据作为标准数据；基于预设的标准差计算策略，对标准数据进行计算得到特征值阈值和下降幅度阈值。

进一步地，在一些实施例中，识别模块400，用于：对第一布尔矩阵进行列向量求和得到多个第一布尔和，并筛选出第一布尔和大于预设阈值的第一目标单体电芯进行线性趋势检测得到第一斜率，若第一斜率大于预设斜率阈值，则判定电池的自放电异常识别结果为自放电异常；和/或，对第二布尔矩阵进行列向量求和得到多个第二布尔和，并筛选出第二布尔和大于预设阈值的第二目标单体电芯进行线性趋势检测得到第二斜率，若第二斜率大于预设斜率阈值，则判定电池的自放电异常识别结果为自放电异常。

需要说明的是，前述对电池自放电异常识别方法实施例的解释说明也适用于该实施例的电池自放电异常识别装置，此处不再赘述。

根据本发明实施例提出的电池自放电异常识别装置，根据车辆的运行数据筛选出停车充电和驻车充电的工况数据，并计算每个单体电芯的停车充电和驻车充电的特征值和下降幅度，根据特征值和下降幅度的阈值，得到表征电芯的异常的布尔矩阵，并基于预设的线性趋势检测策略，得到电池的自放电异常识别结果。由此，解决了相关技术中的识别方法精确度低、适用范围有限等问题，通过识别两种充电工况，适用车型范围广，并采用多种阈值递进式联合诊断，防止单一阈值判定引起的误报，提高了自放电异常识别的精确度。

图5为本发明实施例提供的车辆的结构示意图。该车辆可以包括：

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。

处理器502执行程序时实现上述实施例中提供的电池自放电异常识别方法。

进一步地，车辆还包括：

通信接口503，用于存储器501和处理器502之间的通信。

存储器501，用于存放可在处理器502上运行的计算机程序。

存储器501可能包含高速RAM存储器，也可能还包括非易失性存储器（non-volatile memory），例如至少一个磁盘存储器。

如果存储器501、处理器502和通信接口503独立实现，则通信接口503、存储器501和处理器502可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构（Industry Standard Architecture，简称为ISA）总线、外部设备互连（PeripheralComponent Interconnect，简称为PCI）总线或扩展工业标准体系结构（Extended IndustryStandard Architecture，简称为EISA）总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

可选的，在具体实现上，如果存储器501、处理器502及通信接口503，集成在一块芯片上实现，则存储器501、处理器502及通信接口503可以通过内部接口完成相互间的通信。

处理器502可能是一个中央处理器（Central Processing Unit，简称为CPU），或者是特定集成电路（Application Specific Integrated Circuit，简称为ASIC），或者是被配置成实施本发明实施例的一个或多个集成电路。

本实施例还提供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的电池自放电异常识别方法。

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必须针对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一个或N个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

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，“N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。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。

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N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），只读存储器（ROM），可擦除可编辑只读存储器（EPROM或闪速存储器），光纤装置，以及便携式光盘只读存储器（CDROM）。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，N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。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），现场可编程门阵列（FPGA）等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。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 (8)

1.一种电池自放电异常识别方法，其特征在于，包括以下步骤：

获取车辆的运行数据；

基于所述运行数据，筛选出停车充电工况数据和驻车充电工况数据，根据所述停车充电工况数据得到每个单体电芯的停车充电电压特征值和停车充电电压下降幅度，且根据所述驻车充电工况数据得到每个单体电芯的驻车充电电压特征值和驻车充电电压下降幅度；

基于特征值阈值和下降幅度阈值，根据所述每个单体电芯的停车充电电压特征值和停车充电电压下降幅度得到表征电芯异常的第一布尔矩阵，并根据所述每个单体电芯的驻车充电电压特征值和驻车充电电压下降幅度得到表征电芯异常的第二布尔矩阵；以及

基于预设的线性趋势检测策略，根据所述第一布尔矩阵和/或所述第二布尔矩阵得到电池的自放电异常识别结果；

其中，所述基于特征值阈值和下降幅度阈值，根据所述每个单体电芯的停车充电电压特征值和停车充电电压下降幅度得到表征电芯异常的第一布尔矩阵，并根据所述每个单体电芯的驻车充电电压特征值和驻车充电电压下降幅度得到表征电芯异常的第二布尔矩阵，包括：将停车充电电压特征值大于所述特征值阈值且停车充电电压下降幅度大于下降幅度阈值的单体电芯标记为第一数值，并将剩余的单体电芯标记为第二数值，根据所述第一数值和所述第二数值构成所述第一布尔矩阵；将驻车充电电压特征值大于所述特征值阈值且驻车充电电压下降幅度大于下降幅度阈值的单体电芯标记为第三数值，并将剩余的单体电芯标记为第四数值，根据所述第三数值和所述第四数值构成所述第二布尔矩阵；

所述基于预设的线性趋势检测策略，根据所述第一布尔矩阵和/或所述第二布尔矩阵得到电池的自放电异常识别结果，包括：对所述第一布尔矩阵进行列向量求和得到多个第一布尔和，并筛选出第一布尔和大于预设阈值的第一目标单体电芯进行线性趋势检测得到第一斜率，若所述第一斜率大于预设斜率阈值，则判定所述电池的自放电异常识别结果为自放电异常；和/或，对所述第二布尔矩阵进行列向量求和得到多个第二布尔和，并筛选出第二布尔和大于所述预设阈值的第二目标单体电芯进行线性趋势检测得到第二斜率，若所述第二斜率大于所述预设斜率阈值，则判定所述电池的自放电异常识别结果为自放电异常。

2.根据权利要求1所述的电池自放电异常识别方法，其特征在于，所述根据所述停车充电工况数据得到每个单体电芯的停车充电电压特征值和停车充电电压下降幅度，包括：

根据所述停车充电工况数据计算每个单体电芯电压和同时刻单体电芯电压中位数的压差，得到第一压差矩阵；

对所述第一压差矩阵进行时间滑窗均值滤波处理，得到所述每个单体电芯的停车充电电压特征值；

对所述每个单体电芯的停车充电电压特征值进行差分计算，并对差分值进行滑动窗口求和，得到所述每个单体电芯的停车充电电压下降幅度。

3.根据权利要求1所述的电池自放电异常识别方法，其特征在于，所述根据所述驻车充电工况数据得到每个单体电芯的驻车充电电压特征值和驻车充电电压下降幅度，包括：

根据所述驻车充电工况数据计算每个单体电芯电压和同时刻单体电芯电压中位数的压差，得到第二压差矩阵；

对所述第二压差矩阵进行时间滑窗均值滤波处理，得到所述每个单体电芯的驻车充电电压特征值；

对所述每个单体电芯的驻车充电电压特征值进行差分计算，并对差分值进行滑动窗口求和，得到所述每个单体电芯的驻车充电电压下降幅度。

4.根据权利要求1所述的电池自放电异常识别方法，其特征在于，在基于所述特征值阈值和所述下降幅度阈值，根据所述每个单体电芯的停车充电电压特征值和停车充电电压下降幅度得到表征电芯异常的第一布尔矩阵，并根据所述每个单体电芯的驻车充电电压特征值和驻车充电电压下降幅度得到表征电芯异常的第二布尔矩阵之前，还包括：

获取所述车辆的历史运行数据；

根据所述车辆的充放电循环次数进行确定标准数据长度，并基于所述标准数据长度，从所述历史运行数据选取部分数据作为标准数据；

基于预设的标准差计算策略，对所述标准数据进行计算得到所述特征值阈值和所述下降幅度阈值。

5.一种电池自放电异常识别装置，其特征在于，包括：

获取模块，用于获取车辆的运行数据；

处理模块，用于基于所述运行数据，筛选出停车充电工况数据和驻车充电工况数据，根据所述停车充电工况数据得到每个单体电芯的停车充电电压特征值和停车充电电压下降幅度，且根据所述驻车充电工况数据得到每个单体电芯的驻车充电电压特征值和驻车充电电压下降幅度；

检测模块，用于基于特征值阈值和下降幅度阈值，根据所述每个单体电芯的停车充电电压特征值和停车充电电压下降幅度得到表征电芯异常的第一布尔矩阵，并根据所述每个单体电芯的驻车充电电压特征值和驻车充电电压下降幅度得到表征电芯异常的第二布尔矩阵；以及

识别模块，用于基于预设的线性趋势检测策略，根据所述第一布尔矩阵和/或所述第二布尔矩阵得到电池的自放电异常识别结果；

其中，所述检测模块，具体用于：将停车充电电压特征值大于所述特征值阈值且停车充电电压下降幅度大于下降幅度阈值的单体电芯标记为第一数值，并将剩余的单体电芯标记为第二数值，根据所述第一数值和所述第二数值构成所述第一布尔矩阵；将驻车充电电压特征值大于所述特征值阈值且驻车充电电压下降幅度大于下降幅度阈值的单体电芯标记为第三数值，并将剩余的单体电芯标记为第四数值，根据所述第三数值和所述第四数值构成所述第二布尔矩阵；

所述识别模块，具体用于：对所述第一布尔矩阵进行列向量求和得到多个第一布尔和，并筛选出第一布尔和大于预设阈值的第一目标单体电芯进行线性趋势检测得到第一斜率，若所述第一斜率大于预设斜率阈值，则判定所述电池的自放电异常识别结果为自放电异常；和/或，对所述第二布尔矩阵进行列向量求和得到多个第二布尔和，并筛选出第二布尔和大于所述预设阈值的第二目标单体电芯进行线性趋势检测得到第二斜率，若所述第二斜率大于所述预设斜率阈值，则判定所述电池的自放电异常识别结果为自放电异常。

6.根据权利要求5所述的电池自放电异常识别装置，其特征在于，所述处理模块，用于：

根据所述停车充电工况数据计算每个单体电芯电压和同时刻单体电芯电压中位数的压差，得到第一压差矩阵；

对所述第一压差矩阵进行时间滑窗均值滤波处理，得到所述每个单体电芯的停车充电电压特征值；

对所述每个单体电芯的停车充电电压特征值进行差分计算，并对差分值进行滑动窗口求和，得到所述每个单体电芯的停车充电电压下降幅度。

7.一种车辆，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如权利要求1-4中任一项所述的电池自放电异常识别方法。

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，该程序被处理器执行，以用于实现如权利要求1-4中任一项所述的电池自放电异常识别方法。