CN112986829B - 基于大数据及云计算的电池压差异常阈值确认方法及*** - Google Patents

基于大数据及云计算的电池压差异常阈值确认方法及*** Download PDF

Info

Publication number
CN112986829B
CN112986829B CN202110429253.0A CN202110429253A CN112986829B CN 112986829 B CN112986829 B CN 112986829B CN 202110429253 A CN202110429253 A CN 202110429253A CN 112986829 B CN112986829 B CN 112986829B
Authority
CN
China
Prior art keywords
data
battery
pressure difference
pressure
differential pressure
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.)
Active
Application number
CN202110429253.0A
Other languages
English (en)
Other versions
CN112986829A (zh
Inventor
肖劼
胡雄毅
余为才
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Yugu Technology Co ltd
Original Assignee
Hangzhou Yugu Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Yugu Technology Co ltd filed Critical Hangzhou Yugu Technology Co ltd
Priority to CN202110429253.0A priority Critical patent/CN112986829B/zh
Publication of CN112986829A publication Critical patent/CN112986829A/zh
Application granted granted Critical
Publication of CN112986829B publication Critical patent/CN112986829B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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]
    • G01R31/385—Arrangements for measuring battery or accumulator variables

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Secondary Cells (AREA)

Abstract

本发明涉及大数据处理技术领域，具体地说，涉及一种基于大数据及云计算的电池压差异常阈值确认方法及***。该方法包括如下步骤：S1、采集多组电池的压差数据；S2、对压差数据进行离散化处理；S3、构建泊松分布模型，获取异常阈值。该***用于实现上述方法。通过本发明能够较佳地借助大数据样本实现压差阈值的确立，故而能够较佳地克服现有采用经验式确立异常阈值的局限性。

Description

基于大数据及云计算的电池压差异常阈值确认方法及***
技术领域
本发明涉及大数据处理技术领域，具体地说，涉及一种基于大数据及云计算的电池压差异常阈值确认方法及***。
背景技术
电池压差是指锂电池在放电和充电过程中电芯间电压的最大差值，其是反映电池好坏的关键指标。由于电池内部具有的亏电保护和高压保护机制，电池的压差对电池性能的影响主要体现在：在放电过程中标称电压最低的电芯会率先达到亏电保护的阈值进而导致整个电池组停止放电，而此时整个电池组实际上依然具备放电能力的；而在充电过程中标称电压最高的电芯会率先达到高压保护的阈值进而导致整个电池组停止充电，而此时整个电池组实际上依然处于电量未充满状态。
由于电芯生产工艺的偏差和安装过程中电芯串联时接口内部等的不同，全新的电池都存在少量的压差，理论上的电池压差为0在实际中几乎是不可能的，故现有技术中均设置压差检测机制对电池的压差异常进行检测。
目前现有的压差检测大多是通过人工设定电池压差的阈值实现对压差的检测，比如设定电池压差的阈值为200mv，则在检测到电池组的任一电芯的压差超过200mv时，则判定该电池组出现压差异常。基于该种的检测方法存在如下的弊病：
1、人工经验设定阈值不可靠
这个主要体现在不同容量、不同材质的电池的压差异常阈值的是不同的，而人工经验具有局限性，无法较佳地充分挖掘电池压差中的规律，故容易造成误判例增加；
2、电池在监测中读取压差数据容易出现噪声点
这主要体现在，在监测中读取电芯电压的数据可能存在噪声或者电芯电压瞬间波动的情形，噪声点容易突破电池压差的阈值，故而导致误判例增加。
发明内容
本发明提供了一种基于大数据及云计算的电池压差异常阈值确认方法，其能够克服现有依靠经验确立压差阈值的而导致的局限性较大的缺陷。
根据本发明的基于大数据及云计算的电池压差异常阈值确认方法，其包括如下步骤：
S1、采集多组电池的压差数据
该步骤中，分别采集多个型号多个损耗状态的锂电池在充电和放电过程中的压差数据，建立压差数据集合N，N={
Figure 307420DEST_PATH_IMAGE001
|i∈N，j∈N ，h=0或1}，
Figure 983252DEST_PATH_IMAGE002
；
其中，i表示电池的型号类别，j表示电池的损耗状态类别，h=0表示为充电状态，h=1表示为放电状态；也即，
Figure 814811DEST_PATH_IMAGE003
表示第i种型号、第j种损耗状态下的电池在充电状态下采集到的压差数据序列，
Figure 208883DEST_PATH_IMAGE003
表示第i种型号、第j种损耗状态下的电池在放电状态下采集到的压差数据序列；
其中，
Figure 902033DEST_PATH_IMAGE004
表示压差数据序列
Figure 494688DEST_PATH_IMAGE001
中的第L个元素，n为压差数据序列
Figure 247881DEST_PATH_IMAGE001
中的元素总数；
S2、对压差数据进行离散化处理
该步骤中，对于任一压差数据序列
Figure 847358DEST_PATH_IMAGE001
均进行离散化处理进而获取离散化压差数据序列
Figure 140936DEST_PATH_IMAGE005
，
Figure 791360DEST_PATH_IMAGE005
={
Figure 715454DEST_PATH_IMAGE006
}；其中，
Figure 818539DEST_PATH_IMAGE007
⌊
Figure 105689DEST_PATH_IMAGE008
⌋，⌊
Figure 610619DEST_PATH_IMAGE009
⌋为向下取整运算，
Figure 502352DEST_PATH_IMAGE010
为设定压差间隔；
S3、构建泊松分布模型，获取异常阈值
该步骤中，构建泊松分布模型分别对所有压差数据序列
Figure 92733DEST_PATH_IMAGE001
进行处理；
所构建泊松分布模型的概率密度函数为，
Figure DEST_PATH_IMAGE011
其中，
Figure 931376DEST_PATH_IMAGE012
，
Figure 805660DEST_PATH_IMAGE013
表示离散化压差数据序列
Figure 805977DEST_PATH_IMAGE005
中数值
Figure 883655DEST_PATH_IMAGE014
出现的概率；
该步骤中，基于公式
Figure 260409DEST_PATH_IMAGE015
≤（1-p）获取阈值离散数值
Figure 989200DEST_PATH_IMAGE016
，
Figure 425997DEST_PATH_IMAGE015
表示离散化压差数据序列
Figure 787709DEST_PATH_IMAGE005
中小于等于数值
Figure 702575DEST_PATH_IMAGE016
的所有数值出现的概率，p为设定异常率；
该步骤中，基于公式F=D*
Figure 302184DEST_PATH_IMAGE016
获取异常阈值F。
本发明中，通过步骤S1能够采集大量的电池压差样本，通过步骤S2能够较佳地实现地步骤S1中所采集的样本数据的处理，通过步骤S3能够较佳地依据电池压差的分布特性获取电池的压差异常阈值。
其中，步骤S1中，在采集样本数据时，能够依照型号、损耗状态、充电状态和放电状态对所采样的数据进行采样，故而使得所采集的同一压差数据序列
Figure 706620DEST_PATH_IMAGE001
中的数据能够为同等型号、同等损耗及同等充放电状态下的数据，这使得后续的根据步骤S3获取的压差异常阈值能够具有较佳的针对性，从而使得本发明的方法能够有针对性地依据不同状态下的电池而制定对应的压差异常阈值，故而能够较佳地提升本发明中的方法的针对性，通过人为排除因电池的不同状态而带来的压差区别，使得整个方法更加科学合理。
其中通过步骤S2，能够较佳地实现对步骤S1中所采集数据的离散化，进而能够较佳地将步骤S1中所采集的数据转化为统计学上可处理的数据，故而能够较佳地便于步骤S3的处理。
在本发明的步骤S3中，通过构建泊松分布模型，能够较佳地实现对离散化压差数据序列
Figure 742578DEST_PATH_IMAGE005
的处理，通过设定异常率p，即可较佳地求取最大可容忍的阈值离散数值
Figure 726715DEST_PATH_IMAGE016
，之后通过换算即可较佳地实现对异常阈值F的获取。
本实例中，能够较佳地基于大数据的思想，基于统计学的手段，实现对不同状态下的电池的压差异常阈值的确定，其能够较佳地克服基于人工经验设定阈值所带来的局限性。且本发明的方法通过构建泊松分布模型，能够有针对性地适用于电池压差的分布特性，故而较为科学合理。
作为优选，步骤S1中，任一压差数据
Figure 180830DEST_PATH_IMAGE004
均通过如下步骤获取，
步骤S11、以设定采样间隔T对电池的压差数据进行连续采样，进而获取对应电池的压差时序数列；
步骤S12、选取压差时序数列中t时刻及t时刻前后m个时刻的2m+1个数据进行移动平均运算进而获取对应压差数据
Figure 693851DEST_PATH_IMAGE004
。
本发明中，通过步骤S11和步骤S12，使得所采样的数据能够自一个时间序列中提取，且所采样的数据能够通过移动平均的方法处理后获取，从而能够较佳地降低因噪声点而带来的影响。
作为优选，步骤S1中，以当前充电总次数或当前放电总次数作为损耗状态的判定依据，对于任一损耗状态的电池其充电总次数或放电总次数位于对应损耗状态所对应的充电总次数范围或放电总次数范围区间内。从而能够较佳地实现对同等损耗状态的电池的分类。
作为优选，步骤S1中，压差数据集合N保存所有已采集过的压差数据，在新增压差数据时对压差数据集合N进行更新；步骤S2中，在压差数据集合N发生更新时，对新增数据进行离散化处理；步骤S3中，在压差数据集合N发生更新时，基于更新后的压差数据集合N对异常阈值F进行更新。从而能够较佳地对样本数据库进行逐步丰富，使得本发明的方法能够具备较佳的学习能力。
本发明还提供了一种基于大数据及云计算的电池压差异常阈值确认***，其用于任一上述的基于大数据及云计算的电池压差异常阈值确认方法；其包括
终端检测单元，其用于在充电和放电过程对电池的每个电芯的当前电压进行周期性采样并发送给终端处理单元；
终端处理单元，其用于计算终端检测单元在每个采样周期内所采集数据的最高值与最低值的差值发送给远程服务器端；以及
远程服务器端，其用于实现对终端处理单元所发送数据的存储及处理，进而获取异常阈值F。
通过本发明中的***，能够较佳地实现对压差数据的采集、处理以及异常阈值的确定。
作为优选，终端处理单元还用于实时接收远程服务器端处计算获取的异常阈值F，且终端处理单元能够在所述差值高于异常阈值F时向远程服务器端发送报警指令。从而使得电池端处的异常阈值F能够在样本数量增加时实时更新，故而能够较佳地实现对电池压差异常的实时监测。
附图说明
图1为实施例1中的电池压差异常阈值确认方法的流程示意图；
图2为电池压差的分布特性图；
图3为实施例1中的电池压差异常阈值确认***的框图示意图。
具体实施方式
为进一步了解本发明的内容，结合附图和实施例对本发明作详细描述。应当理解的是，实施例仅仅是对本发明进行解释而并非限定。
实施例1
结合图1所示，本实施例提供了一种基于大数据及云计算的电池压差异常阈值确认方法，其包括如下步骤：
S1、采集多组电池的压差数据
该步骤中，分别采集多个型号多个损耗状态的锂电池在充电和放电过程中的压差数据，建立压差数据集合N，N={
Figure 220034DEST_PATH_IMAGE001
|i∈N，j∈N ，h=0或1}，
Figure 742283DEST_PATH_IMAGE002
；
其中，i表示电池的型号类别，j表示电池的损耗状态类别，h=0表示为充电状态，h=1表示为放电状态；也即，
Figure 847642DEST_PATH_IMAGE003
表示第i种型号、第j种损耗状态下的电池在充电状态下采集到的压差数据序列，
Figure 797143DEST_PATH_IMAGE003
表示第i种型号、第j种损耗状态下的电池在放电状态下采集到的压差数据序列；
其中，
Figure 558426DEST_PATH_IMAGE004
表示压差数据序列
Figure 415524DEST_PATH_IMAGE001
中的第L个元素，n为压差数据序列
Figure 827919DEST_PATH_IMAGE001
中的元素总数；
S2、对压差数据进行离散化处理
该步骤中，对于任一压差数据序列
Figure 948322DEST_PATH_IMAGE001
均进行离散化处理进而获取离散化压差数据序列
Figure 196901DEST_PATH_IMAGE005
，
Figure 857689DEST_PATH_IMAGE005
={
Figure 140903DEST_PATH_IMAGE006
}；其中，
Figure 415895DEST_PATH_IMAGE007
⌊
Figure 151770DEST_PATH_IMAGE008
⌋，⌊
Figure 616250DEST_PATH_IMAGE009
⌋为向下取整运算，
Figure 488391DEST_PATH_IMAGE010
为设定压差间隔；
S3、构建泊松分布模型，获取异常阈值
该步骤中，构建泊松分布模型分别对所有压差数据序列
Figure 747334DEST_PATH_IMAGE001
进行处理；
所构建泊松分布模型的概率密度函数为，
Figure 704925DEST_PATH_IMAGE011
其中，
Figure 973096DEST_PATH_IMAGE012
，
Figure 214590DEST_PATH_IMAGE013
表示离散化压差数据序列
Figure 847697DEST_PATH_IMAGE005
中数值
Figure 292584DEST_PATH_IMAGE014
出现的概率；
该步骤中，基于公式
Figure 302129DEST_PATH_IMAGE015
≤（1-p）获取阈值离散数值
Figure 945600DEST_PATH_IMAGE016
，
Figure 279103DEST_PATH_IMAGE015
表示离散化压差数据序列
Figure 945708DEST_PATH_IMAGE005
中小于等于数值
Figure 555681DEST_PATH_IMAGE016
的所有数值出现的概率，p为设定异常率；
该步骤中，基于公式F=D*
Figure 991341DEST_PATH_IMAGE016
获取异常阈值F。
结合图2所示，为电池压差的分布特性图；该分布特性图是基于同一型号同一损耗状态的1000个电池样本的压差数值统计后得出，其纵坐标表示样本的分布数量，其横坐标表示压差的大小。基于该分布特性图可以看出，电池压差的分布特性存呈现着明显的“左凸右凹”型分布，该种类型的分布有别于常规的正态分布，故基于大数据对压差异常的电池进行筛选时，难以运用常规的诸如3σ准则进行判定。
本实施例中，通过步骤S1能够采集大量的电池压差样本，通过步骤S2能够较佳地实现地步骤S1中所采集的样本数据的处理，通过步骤S3能够较佳地依据电池压差的分布特性获取电池的压差异常阈值。
其中，步骤S1中，在采集样本数据时，能够依照型号、损耗状态、充电状态和放电状态对所采样的数据进行采样，故而使得所采集的同一压差数据序列
Figure 28567DEST_PATH_IMAGE001
中的数据能够为同等型号、同等损耗及同等充放电状态下的数据，这使得后续的根据步骤S3获取的压差异常阈值能够具有较佳的针对性，从而使得本实施例的方法能够有针对性地依据不同状态下的电池而制定对应的压差异常阈值，故而能够较佳地提升本实施例中的方法的针对性，通过人为排除因电池的不同状态而带来的压差区别，使得整个方法更加科学合理。
其中通过步骤S2，能够较佳地实现对步骤S1中所采集数据的离散化，进而能够较佳地将步骤S1中所采集的数据转化为统计学上可处理的数据，故而能够较佳地便于步骤S3的处理。
在本实施例的步骤S3中，通过构建泊松分布模型，能够较佳地实现对离散化压差数据序列
Figure 182468DEST_PATH_IMAGE005
的处理，通过设定异常率p，即可较佳地求取最大可容忍的阈值离散数值
Figure 783082DEST_PATH_IMAGE016
，之后通过换算即可较佳地实现对异常阈值F的获取。
本实例中，能够较佳地基于大数据的思想，基于统计学的手段，实现对不同状态下的电池的压差异常阈值的确定，其能够较佳地克服基于人工经验设定阈值所带来的局限性。且本实施例的方法通过构建泊松分布模型，能够有针对性地适用于电池压差的分布特性，故而较为科学合理。
本实施例的步骤S2中，设定压差间隔D能够依据实际情况而确定，本实施例中以D=10mv为例进行说明，在设定压差间隔D为10mv时，压差数据序列
Figure 401146DEST_PATH_IMAGE001
中的元素
Figure 546956DEST_PATH_IMAGE004
的数值在区间[0,10]间时则离散化压差数据序列
Figure 453732DEST_PATH_IMAGE005
中对应的元素
Figure 405508DEST_PATH_IMAGE014
的数值则为0，压差数据序列
Figure 815761DEST_PATH_IMAGE001
中的元素
Figure 194789DEST_PATH_IMAGE004
的数值在区间[10,20]间时则离散化压差数据序列
Figure 572550DEST_PATH_IMAGE005
中对应的元素
Figure 62437DEST_PATH_IMAGE014
的数值则为1，以此类推，故而离散化压差数据序列
Figure 592776DEST_PATH_IMAGE005
的任一元素的数值均为非负整数，故而能够较佳地便于步骤S3中的处理。
本实施的步骤S3中，设定异常率p能够设定为同一型号的电池的出厂异常率，例如某一型号的电池的出厂异常率为0.01，则能够将对应的异常率p设置为0.01。可以理解的是，本实施例中的异常率p也能够基于对同一状态的电池的统计后得出。基于异常率p的该种设定，可以知晓本实施例的中的方法的阈值设定思路在于：在样本足够多的情况下，电池出现压差异常的概率是趋于一个固定值的，故本实施例中，通过基于大数据的处理，即可较佳地确定出某一状态下的电池所应当设定的异常阈值。
本实施例的步骤S1中，任一压差数据
Figure 877126DEST_PATH_IMAGE004
均通过如下步骤获取，
步骤S11、以设定采样间隔T对电池的压差数据进行连续采样，进而获取对应电池的压差时序数列；
步骤S12、选取压差时序数列中t时刻及t时刻前后m个时刻的2m+1个数据进行移动平均运算进而获取对应压差数据
Figure 492915DEST_PATH_IMAGE004
。
本实施例中，通过步骤S11和步骤S12，使得所采样的数据能够自一个时间序列中提取，且所采样的数据能够通过移动平均的方法处理后获取，从而能够较佳地降低因噪声点而带来的影响。
本实施例的步骤S11中，采样间隔T能够设定为例如5s，通过秒级的采样间隔设定，能够较佳地防止数据的遗漏。
本实施例的步骤S12中，时刻t的选取能够选取压差时序数列中压差最大的时刻作为t时刻。
本实施例的步骤S1中，以当前充电总次数或当前放电总次数作为损耗状态的判定依据，对于任一损耗状态的电池其充电总次数或放电总次数位于对应损耗状态所对应的充电总次数范围或放电总次数范围区间内。从而能够较佳地实现对同等损耗状态的电池的分类。具体为，例如设定充电次数为0-3且放电次数为1-4为第一损耗状态即j=1，则步骤S1中，仅同时符合充电次数为0-3且放电次数为1-4的电池为第一损耗状态。
本实施例的步骤S1中，步骤S1中，压差数据集合N保存所有已采集过的压差数据，在新增压差数据时对压差数据集合N进行更新；步骤S2中，在压差数据集合N发生更新时，对新增数据进行离散化处理；步骤S3中，在压差数据集合N发生更新时，基于更新后的压差数据集合N对异常阈值F进行更新。从而能够较佳地对样本数据库进行逐步丰富，使得本实施例的方法能够具备较佳的学习能力。
结合图3所示，基于本实施例中的方法，本实施例还提供了一种基于大数据及云计算的电池压差异常阈值确认***，其用于实现本实施例中的基于大数据及云计算的电池压差异常阈值确认方法；其包括：
终端检测单元，其用于在充电和放电过程对电池的每个电芯的当前电压进行周期性采样并发送给终端处理单元；
终端处理单元，其用于计算终端检测单元在每个采样周期内所采集数据的最高值与最低值的差值发送给远程服务器端；以及
远程服务器端，其用于实现对终端处理单元所发送数据的存储及处理，进而获取异常阈值F。
通过本实施例中的***，能够较佳地实现对压差数据的采集、处理以及异常阈值的确定。
本实施例中，通过终端检测单元能够较佳地实现步骤S1中的原始数据的获取，通过终端处理单元能够较佳地实现步骤S1中的最终压差数据的获取，通过远程服务器端能够较佳地借助云计算的处理能力实现步骤S1中压差数据集合N的建立以及步骤S2及S3的实现。
本实施例中，终端处理单元还用于实时接收远程服务器端处计算获取的异常阈值F，且终端处理单元能够在所述差值高于异常阈值F时向远程服务器端发送报警指令。从而使得电池端处的异常阈值F能够在样本数量增加时实时更新，故而能够较佳地实现对电池压差异常的实时监测。
以上示意性的对本发明及其实施方式进行了描述，该描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。所以，如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。

Claims (6)

1.基于大数据及云计算的电池压差异常阈值确认方法，其包括如下步骤：
S1、采集多组电池的压差数据
该步骤中，分别采集多个型号多个损耗状态的锂电池在充电和放电过程中的压差数据，建立压差数据集合N，N={
Figure 513869DEST_PATH_IMAGE001
|i∈N，j∈N ，h=0或1}，
Figure 892898DEST_PATH_IMAGE002
；
其中，i表示电池的型号类别，j表示电池的损耗状态类别，h=0表示为充电状态，h=1表示为放电状态；也即，
Figure 411604DEST_PATH_IMAGE003
表示第i种型号、第j种损耗状态下的电池在充电状态下采集到的压差数据序列，
Figure 839174DEST_PATH_IMAGE003
表示第i种型号、第j种损耗状态下的电池在放电状态下采集到的压差数据序列；
其中，
Figure 166250DEST_PATH_IMAGE004
表示压差数据序列
Figure 778497DEST_PATH_IMAGE001
中的第L个元素，n为压差数据序列
Figure 659866DEST_PATH_IMAGE001
中的元素总数；
S2、对压差数据进行离散化处理
该步骤中，对于任一压差数据序列
Figure 953444DEST_PATH_IMAGE001
均进行离散化处理进而获取离散化压差数据序列
Figure 728502DEST_PATH_IMAGE005
，
Figure 121437DEST_PATH_IMAGE005
={
Figure 286839DEST_PATH_IMAGE006
}；其中，
Figure 944960DEST_PATH_IMAGE007
⌊
Figure 715470DEST_PATH_IMAGE008
⌋，⌊
Figure 403940DEST_PATH_IMAGE009
⌋为向下取整运算，
Figure 56639DEST_PATH_IMAGE010
为设定压差间隔；
S3、构建泊松分布模型，获取异常阈值
该步骤中，构建泊松分布模型分别对所有压差数据序列
Figure 629702DEST_PATH_IMAGE001
进行处理；
所构建泊松分布模型的概率密度函数为，
Figure 785877DEST_PATH_IMAGE011
其中，
Figure 176407DEST_PATH_IMAGE012
，
Figure 988505DEST_PATH_IMAGE013
表示离散化压差数据序列
Figure 427577DEST_PATH_IMAGE005
中数值
Figure 766154DEST_PATH_IMAGE014
出现的概率；
该步骤中，基于公式
Figure 999690DEST_PATH_IMAGE015
≤（1-p）获取阈值离散数值
Figure 299084DEST_PATH_IMAGE016
，
Figure 276267DEST_PATH_IMAGE015
表示离散化压差数据序列
Figure 970816DEST_PATH_IMAGE005
中小于等于数值
Figure 375253DEST_PATH_IMAGE016
的所有数值出现的概率，p为设定异常率；
该步骤中，基于公式F=D*
Figure 161943DEST_PATH_IMAGE016
获取异常阈值F。
2.根据权利要求1所述的基于大数据及云计算的电池压差异常阈值确认方法，其特征在于：步骤S1中，任一压差数据
Figure 677238DEST_PATH_IMAGE004
均通过如下步骤获取，
步骤S11、以设定采样间隔T对电池的压差数据进行连续采样，进而获取对应电池的压差时序数列；
步骤S12、选取压差时序数列中t时刻及t时刻前后m个时刻的2m+1个数据进行移动平均运算进而获取对应压差数据
Figure 990408DEST_PATH_IMAGE004
。
3.根据权利要求1所述的基于大数据及云计算的电池压差异常阈值确认方法，其特征在于：步骤S1中，以当前充电总次数或当前放电总次数作为损耗状态的判定依据，对于任一损耗状态的电池其充电总次数或放电总次数位于对应损耗状态所对应的充电总次数范围或放电总次数范围区间内。
4.根据权利要求1所述的基于大数据及云计算的电池压差异常阈值确认方法，其特征在于：步骤S1中，压差数据集合N保存所有已采集过的压差数据，在新增压差数据时对压差数据集合N进行更新；步骤S2中，在压差数据集合N发生更新时，对新增数据进行离散化处理；步骤S3中，在压差数据集合N发生更新时，基于更新后的压差数据集合N对异常阈值F进行更新。
5.基于大数据及云计算的电池压差异常阈值确认***，其用于实现权利要求1-4中任一所述的基于大数据及云计算的电池压差异常阈值确认方法；其特征在于：包括
终端检测单元，其用于在充电和放电过程对电池的每个电芯的当前电压进行周期性采样并发送给终端处理单元；
终端处理单元，其用于计算终端检测单元在每个采样周期内所采集数据的最高值与最低值的差值发送给远程服务器端；
远程服务器端，其用于实现对终端处理单元所发送数据的存储及处理，进而获取异常阈值F。
6.根据权利要求5所述的基于大数据及云计算的电池压差异常阈值确认***，其特征在于：终端处理单元还用于实时接收远程服务器端处计算获取的异常阈值F，且终端处理单元能够在所述差值高于异常阈值F时向远程服务器端发送报警指令。
CN202110429253.0A 2021-04-21 2021-04-21 基于大数据及云计算的电池压差异常阈值确认方法及*** Active CN112986829B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110429253.0A CN112986829B (zh) 2021-04-21 2021-04-21 基于大数据及云计算的电池压差异常阈值确认方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110429253.0A CN112986829B (zh) 2021-04-21 2021-04-21 基于大数据及云计算的电池压差异常阈值确认方法及***

Publications (2)

Publication Number Publication Date
CN112986829A CN112986829A (zh) 2021-06-18
CN112986829B true CN112986829B (zh) 2021-07-20

Family

ID=76341423

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110429253.0A Active CN112986829B (zh) 2021-04-21 2021-04-21 基于大数据及云计算的电池压差异常阈值确认方法及***

Country Status (1)

Country Link
CN (1) CN112986829B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113608129A (zh) * 2021-08-04 2021-11-05 安徽江淮汽车集团股份有限公司 一种多并数电池压差阈值的标定方法
CN113466721B (zh) * 2021-08-31 2021-12-21 蜂巢能源科技有限公司 锂离子电池的失效识别方法、装置、电子设备及介质
CN113591404B (zh) * 2021-09-29 2021-12-07 杭州宇谷科技有限公司 一种基于深度学习的电池异常检测***及方法

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5596260A (en) * 1994-05-13 1997-01-21 Apple Computer, Inc. Apparatus and method for determining a charge of a battery
JPH11297952A (ja) * 1998-04-09 1999-10-29 Fujitsu Ltd 宇宙線中性子ソフトエラー率計算方法
CN103954915A (zh) * 2014-05-16 2014-07-30 哈尔滨工业大学 基于概率集成的锂离子电池剩余寿命间接预测方法
CN104391253A (zh) * 2014-12-10 2015-03-04 国家电网公司 一种使用fpga监测变电站蓄电池状态的方法
JP2015135286A (ja) * 2014-01-17 2015-07-27 株式会社豊田中央研究所 二次電池の特性推定装置
KR20160046547A (ko) * 2014-10-21 2016-04-29 주식회사 엘지화학 신뢰도 및 표준편차를 이용한 배터리 시스템 진단 기준값 산출 장치 및 방법
CN105808923A (zh) * 2016-02-29 2016-07-27 北京航空航天大学 一种数据序列的异常检测方法和装置
CN106054083A (zh) * 2016-06-27 2016-10-26 北京新能源汽车股份有限公司 一种动力电池***的安全监控方法及装置
CN106654405A (zh) * 2015-11-02 2017-05-10 三星电子株式会社 电池管理方法和设备
KR101745419B1 (ko) * 2016-12-07 2017-06-12 주식회사 광명전기 Pv 불량모듈 우회 회로를 구비한 태양광 발전 시스템
CN107895411A (zh) * 2017-11-10 2018-04-10 北京交通大学 一种基于功率和功率变化等效性的锂离子电池工况提取方法
CN109375116A (zh) * 2018-08-09 2019-02-22 上海国际汽车城（集团）有限公司 一种基于自编码器的电池***异常电池识别方法
CN109782184A (zh) * 2018-12-25 2019-05-21 东莞钜威动力技术有限公司 Pack***的非安全失效形式诊断方法及其电子设备
CN109800446A (zh) * 2018-12-05 2019-05-24 国联汽车动力电池研究院有限责任公司 一种锂离子电池放电过程电压不一致性估计方法及装置
JP2020003227A (ja) * 2018-06-25 2020-01-09 株式会社Ｇｓユアサ 状態推定方法、及び状態推定装置

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5596260A (en) * 1994-05-13 1997-01-21 Apple Computer, Inc. Apparatus and method for determining a charge of a battery
JPH11297952A (ja) * 1998-04-09 1999-10-29 Fujitsu Ltd 宇宙線中性子ソフトエラー率計算方法
JP2015135286A (ja) * 2014-01-17 2015-07-27 株式会社豊田中央研究所 二次電池の特性推定装置
CN103954915A (zh) * 2014-05-16 2014-07-30 哈尔滨工业大学 基于概率集成的锂离子电池剩余寿命间接预测方法
KR20160046547A (ko) * 2014-10-21 2016-04-29 주식회사 엘지화학 신뢰도 및 표준편차를 이용한 배터리 시스템 진단 기준값 산출 장치 및 방법
CN104391253A (zh) * 2014-12-10 2015-03-04 国家电网公司 一种使用fpga监测变电站蓄电池状态的方法
CN106654405A (zh) * 2015-11-02 2017-05-10 三星电子株式会社 电池管理方法和设备
CN105808923A (zh) * 2016-02-29 2016-07-27 北京航空航天大学 一种数据序列的异常检测方法和装置
CN106054083A (zh) * 2016-06-27 2016-10-26 北京新能源汽车股份有限公司 一种动力电池***的安全监控方法及装置
KR101745419B1 (ko) * 2016-12-07 2017-06-12 주식회사 광명전기 Pv 불량모듈 우회 회로를 구비한 태양광 발전 시스템
CN107895411A (zh) * 2017-11-10 2018-04-10 北京交通大学 一种基于功率和功率变化等效性的锂离子电池工况提取方法
JP2020003227A (ja) * 2018-06-25 2020-01-09 株式会社Ｇｓユアサ 状態推定方法、及び状態推定装置
CN109375116A (zh) * 2018-08-09 2019-02-22 上海国际汽车城（集团）有限公司 一种基于自编码器的电池***异常电池识别方法
CN109800446A (zh) * 2018-12-05 2019-05-24 国联汽车动力电池研究院有限责任公司 一种锂离子电池放电过程电压不一致性估计方法及装置
CN109782184A (zh) * 2018-12-25 2019-05-21 东莞钜威动力技术有限公司 Pack***的非安全失效形式诊断方法及其电子设备

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
A Statistical Analysis of the Effect of Electric Vehicle Battery Charging on Distribution System Harmonic Voltages;P. T. Staats等;《IEEE Transactions on Power Delivery》;19980430;第13卷(第2期);全文 *
Evaluation of Electric Vehicles Dispatching Potential Considering Multiple Travel Needs;Lei Gan等;《2019 IEEE 3rd Conference on Energy Internet and Energy System Integration (EI2)》;20200409;全文 *
基于改进的dQ_dV动力锂电池一致性分析;刘欢;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20210315(第3期);全文 *

Also Published As

Publication number Publication date
CN112986829A (zh) 2021-06-18

Similar Documents

Publication Publication Date Title
CN112986829B (zh) 基于大数据及云计算的电池压差异常阈值确认方法及***
WO2022151819A1 (zh) 一种基于聚类分析的电池***在线故障诊断方法和***
CN110929934A (zh) 设备故障预测方法、装置、计算机设备和存储介质
US10783219B2 (en) Distributed equipment abnormality detection system for monitoring physical amounts of equipments and detecting abnormality of each equipment
CN112946483B (zh) 电动汽车电池健康的综合评估方法及存储介质
CN109375116B (zh) 一种基于自编码器的电池***异常电池识别方法
CN112098850B (zh) 基于sdo算法的锂离子电池电压故障诊断方法及***
WO2023185601A1 (zh) 一种电池健康状态信息确定方法、装置及电池***
CN109406929B (zh) 变电站蓄电池组内部开路在线监测报警装置
CN112327189B (zh) 一种基于knn算法的储能电池健康状态综合判断方法
CN115684939A (zh) 基于机器学习的电池充电异常状态监测方法及监测***
CN112937352B (zh) 一种基于人工智能的集中式充电站供电***运行监测管理***
CN111983464B (zh) 一种基于纯电动车用锂电池析锂测试方法
WO2023052910A1 (en) System and method for estimating state of health and remaining useful life of a battery
CN117169751A (zh) 基于机器学习的储能电站故障监测管理***与方法
CN116736142B (zh) 一种电池组健康状况预警的方法、***及装置
CN114036647A (zh) 一种基于实车数据的动力电池安全风险评估方法
CN105743721A (zh) 数据上报方法、对上报数据进行处理的方法和装置
CN117706375A (zh) 电池组安全状态评分方法、装置、设备及可读存储介质
CN115327380A (zh) 电池故障诊断方法、存储介质和电子设备
CN116859253B (zh) 一种基于大数据的锂电池析锂分析方法及***
CN117517966A (zh) 一种电池组的故障诊断方法
CN116298910A (zh) 电池安全管控方法及装置
EP3723185A1 (en) Method for enhancing a battery module model of a battery module type
CN113540526B (zh) 一种基于历史数据分析的燃料电池故障诊断方法及***

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
GR01 Patent grant
GR01 Patent grant
CP01 Change in the name or title of a patent holder

Address after: Room 603, 6th floor, building 1, No.1, Qixian Road, Liangzhu street, Yuhang District, Hangzhou City, Zhejiang Province

Patentee after: Hangzhou Yugu Technology Co.,Ltd.

Address before: Room 603, 6th floor, building 1, No.1, Qixian Road, Liangzhu street, Yuhang District, Hangzhou City, Zhejiang Province

Patentee before: HANGZHOU YUGU TECHNOLOGY Co.,Ltd.

CP01 Change in the name or title of a patent holder