CN115356636A - 一种数据驱动的新能源汽车电池故障报警和故障预警模型 - Google Patents
一种数据驱动的新能源汽车电池故障报警和故障预警模型 Download PDFInfo
- Publication number
- CN115356636A CN115356636A CN202210913028.9A CN202210913028A CN115356636A CN 115356636 A CN115356636 A CN 115356636A CN 202210913028 A CN202210913028 A CN 202210913028A CN 115356636 A CN115356636 A CN 115356636A
- Authority
- CN
- China
- Prior art keywords
- model
- battery
- value
- early warning
- data
- 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.)
- Withdrawn
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
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K1/00—Details of thermometers not specially adapted for particular types of thermometer
- G01K1/02—Means for indicating or recording specially adapted for thermometers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/10—Measuring sum, difference or ratio
-
- 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
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
-
- 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]
- G01R31/389—Measuring internal impedance, internal conductance or related variables
-
- 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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Algebra (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Secondary Cells (AREA)
Abstract
本发明涉及电池健康度评估和预测领域,是一种数据驱动的新能源汽车电池故障报警和故障预警模型。从电动汽车采集的长周期数据的情况下,通过建模,对检测到的数据进行建模分析,实现电池故障的报警和预警。对检测到的数据建立“值‑率‑模型”的多级预报警流程,通过建立模型,分析了压差异常、温差异常和绝缘异常电池状态,实现对电池故障的安全报警。通过建立电压一致性、温度一致性和内阻一致性模型,实现对电池故障预警。本发明提供了一种预测精度较高且适应实际工况下的新能源汽车电池故障报警和故障预警模型。通过本发明,可以实现对电池热失控的实时健康监控,提高电池管理效率,实现实时电池预警和报警,进而提高电池的安全使用。
Description
技术领域
本发明涉及电池健康度评估和预测领域,尤其是对新能源汽车电池故障预警和报警方面具有重要借鉴价值。
背景技术
随着科学技术和工业水平的不断发展,多种便捷的交通工具应运而生,自二十世纪汽车工业行业的迅猛发展,给人们生活和社会的发展带来了极大的便捷,但同时也加剧了环境与能源之间的矛盾。自工业革命以来,人类在追求社会和经济发展的同时,也进一步导致化石能源过度消耗,在造成能源危机的同时也带来了严重的环境污染等社会性问题,能源安全可持续和环境污染已成为制约经济发展的最主要因素。随着问题的出现,以低碳经济的观念逐步成为全世界的共识,而新能源车也因此走向人们的眼前。新能源车作为未来交通工具的主要替代,具有能源损耗少以及污染较少的特征,大力发展新能源车成为解决当前能源和环境危机的有效方法。随着国家政策的不断导向和科学技术水平的不断发展,近几年在我国以清洁、高效、无污染的新能源为代表的新能源汽车行业正迅猛发展,新能源汽车的保有量也在不断增加。今年以来我国新注册登记的新能源汽车187万辆,截止目前,我国新能源汽车保有量已达678万台,占全球新能源汽车全部保有量50%左右。新能源汽车主要包括燃料电池汽车、插电式混合动力汽车、混合动力汽车、纯电动汽车等不同类型车型以满足不同场景的使用。新能源汽车行业的发展不仅缓解了传统化石能源的日益紧缺的突出问题,而且也符合我国提出的环境友好型发展科技的科技强国战略。在新能源汽车行业迅猛发展的同时,也对新能源汽车的维护、维修、安全可靠运行提出了巨大的挑战。众所周知,当处于运行中的新能源汽车一旦发生故障问题,由于新能源汽车本身的特性,轻则降低运行效率,重则导致整车损坏,甚至危机生命和人民的财务安全,造成不可估量的灾难性后果以及恶劣的社会影响。
为了解决这些问题,世界各国都在积极发展清洁可持续的新能源技术。针对以上情况,于2017年10月1日,电动汽车运行监控国家标准《电车汽车远程服务与管理***技术规范》正式颁布实施,通过建立新能源汽车国家检测与监管平台,实行国家、地方和企业的三级管理。依据次协议,包括驱动电机数据、车辆位置数据、发动机数据、整车数据、报警数据为主要的上报数据。进一步于2019年发布的《新能源汽车大数据蓝皮书》表明,以磷酸铁锂动力电池为动力源的纯电动乘用汽车发生故障主要表现为动力电池一致性差、SOC低报警、车载储能装置类型欠压、SOC跳变报警以及车载储能装置类型过压,以上故障发生率占磷酸铁锂动力电池的新能源电动汽车总故障量的96%。如何更加准确并提前定位故障发生时间点,且做到提前诊断故障,成为现阶段新能源领域的研究热点。
当前国际上对新能源汽车的故障诊断与预测的研究较少,很多国家的主要研究精力仍在飞机、动车、船舶等大型设备的故障预测和健康管理上面。伴随着大数据分析技术的不断发展,如何从海量的设备运行数据中,挖掘和识别关键部件退化演变模式技术也在不断涌现。在此环境下,结合新能源汽车故障诊断与预测的现实需求和实际意义,开展基于大数据的关键部件故障诊断和预测***的研究不仅能解决现在存在的问题,还能提高企业的核心竞争力,其具有重要的现实意义。本专利提供了一种基于数据驱动的方法,通过建立相应的模型,来实现故障的实时报警和预警,从而有效降低故障发生率、大幅降低维护费用,且进一步增加整车的运行寿命。
发明内容
针对现有技术存在的不足,本发明提供一种数据驱动的新能源汽车电池故障报警和故障预警模型。本专利通过研究锂电池事故发生原因,分析总结,针对锂电池本身特征属性,提出了建立“值-率-模型”的多级预报警流程,从而高效的解决故障并且进行预报警,本专利所建立的“值-率-模型”的多级预报警流程如图1所示。
本发明技术方案如下:一种数据驱动的新能源汽车电池故障报警和故障预警模型,具体包括:
一、基于值-率的报警***
数据准备:数据来源于某车企10台车辆,三个月数据,锰酸锂电池,磷酸铁锂电池,三元锂离子电池,钛酸锂电池,90串电芯,32个温度。
最终提取的目标变量包括:
1.基于“值-率”报警模型
①值:单体温度极值、单体电压极值、绝缘阻值、温差最大值、SOC值、电压极差值以及电压极差代号;
②率:温升速率、电压下降速率和电压上升速率。
设定输入数据项,建立“值-率-模型”的多级预报警流程,如下:
01当,电池特征值单体温度极值、单体电压极值、绝缘阻值、温差最大值、SOC值、电压极差值以及电压极差代号,超出设定的输入数据项,则报警;
02当,电池特征值单体温度极值、单体电压极值、绝缘阻值、温差最大值、SOC值、电压极差值以及电压极差代号,未超出(正常)设定的输入数据项,则进入电池“率”特征项;
01当,电池特征“率”温升速率、电压下降速率和电压上升速率,超出设定的输入数据项,则报警;
02当,电池特征“率”温升速率、电压下降速率和电压上升速率,未超出(正常)设定的输入数据项,则进入预警模型做进一步研判。
2.基于统计学、熵值和波动一致性的预警模型
01当,输入数据行进入到设定好的统计学模型、熵值模型和波动一致性模型后,经过模型研判,超出设定的模型规定,则报警并提供相应措施;
02当,输入数据行进入到设定好的统计学模型、熵值模型和波动一致性模型后,经过模型研判,未超出(正常)设定的模型规定,则表明电池性能良好,可正常使用。
二、“值-率”模型分级报警规则
建立相应的“值-率”模型分级报警规则,为所建立的报警模型提供一定的判定量。
本专利所建立的“值-率”模型分级报警规则如下。针对电池特征值,建立三级安全报警规则,并通过输入值和设定的特征值进行对比,从而进行相应的故障报警,进而保证电池的安全使用,具体规则如表1所示。
表1本专利所建立的“值-率”模型分级报警规则
三、基于模型进行预警
1.基于分布的预警模型
基于相同车型的特征值,进行单车的分布统计及整体的分布统计,计算上下边缘值,通过对比单车特征分布与整体特征分布的情况,识别异常车辆。基于分布的预警模型如图2所示。
1.1.压差异常预警
压差异常预警运行频率为每日1次。获取并计算监测平台中同一车型(以工信部公告车型产品型号为准)的电池包单日满足SOC处于指定范围(企业自定义,例:30%~70%),温度处于指定范围(企业自定义,例:0℃~40℃)条件的数据帧的电池压差。分别计算每一个电池包压差的25分位数(Q25)、50分位数(Q50)、75分位数(Q75),以及下边缘值V1。以各电池包压差的50分位数组成的整体电池压差分布并计算整体电压的25分位数(Q25_total)和75分位数(Q75_total),以及上边缘值V0。若存在电池包的V1>V0的情况,则触发压差异常预警。基于压差异常预警模型图3所示。
1.2.温差异常预警
温差异常预警模型如图4所示。温差异常预警运行频率为每日1次。获取并计算监测平台中同一车型(以工信部公告车型产品型号为准)的电池包单日每一数据帧的电池温差。分别计算每一个电池包温差的25分位数(Q25)、50分位数(Q50)、75分位数(Q75),以及下边缘值T1。以各电池包温差的50分位数组成的整体电池温差分布并计算整体温差的25分位数(Q25_total)和75分位数(Q75_total),以及上边缘值T0。若存在电池包的T1>T0的情况,则触发温差异常预警。
通过同一天实际车辆数据进行对比,车辆F下边缘值T1>整体分布上边缘值T0,触发预警,结果如表2所示。
表2温差异常预警-同一天实际车辆数据对比
1.3.绝缘异常预警
绝缘异常预警如图5所示。绝缘异常预警运行频率为每日1次。获取并计算监测平台中同一车型(以工信部公告车型产品型号为准)每辆车的绝缘阻值。分别计算每一个电池包绝缘阻值的25分位数(Q25)、50分位数(Q50)、75分位数(Q75),以及上边缘值R1。以每辆车绝缘阻值50分位数组成的整体电池绝缘分布,计算整体绝缘的25分位数(Q25_total)和75分位数(Q75_total),以及下边缘值R0。若存在电池包的R1<R0的情况,则触发绝缘异常预警。通过同一天实际车辆数据进行对比,车辆F上边缘值R1<整体分布下边缘值R0,触发预警,结果如表3所示。
表3绝缘异常预警-同一天实际车辆数据对比
本发明的有益效果:从电动汽车采集的长周期数据的情况下,通过建模,对检测到的数据进行建模分析,实现电池故障的报警和预警。通过实时监控电动汽车储能电池数据,建立基于时间序列的电池自身及汽车状态数据表,数据基于某车企10台车辆,三个月数据,记录了90串电芯的32个温度。对检测到的数据建立“值-率-模型”的多级预报警流程,通过建立模型,分析了压差异常、温差异常和绝缘异常电池状态,实现对电池故障的安全报警。通过建立电压一致性、温度一致性和内阻一致性模型,实现对电池故障预警。本专利提供了一种预测精度较高且适应实际工况下的新能源汽车电池故障报警和故障预警模型。通过本专利,可以实现对电池热失控的实时健康监控,提高电池管理效率,实现实时电池预警和报警,进而提高电池的安全使用。
附图说明
图1是本发明建立的“值-率-模型”的多级预报警流程
图2.基于分布的预警模型
图3.压差异常预警模型
图4.温差异常预警模型
图5.绝缘异常预警模型
图6.数据分析和建模流程
图7.模型运营图
图8.锂离子电池***安全事故诱发因素及其交互关系
图9.锂离子电池***安全状态预警流程
图10.锂锂离子动力电池模型建立
图11.动力电池模型-电压一致性异常预警
图12.动力电池模型-温差一致性异常预警
图13.动力电池模型-内阻一致性异常预警
具体实施方式
1.数据分析和建模流程
1.1模型管道Pipeline
构建模型管道(Pipeline),模型管道流程如图6所示。
a.构建模型管道有助于实现模型工作流的自动化,并使序列数据可以在模型中进行转换和关联,从而进行分析并获得输出。
b.灵活性–管道的目标是对模型进行控制。精心规划的管道有助于使实施更加灵活。为了更好地实施,可以在不更改***其余部分的情况下重新加工该部分。
c.可扩展性–将***划分为多个部分时,很容易创建新功能。
一种常见的模型管道。在实际构建中,可根据业务和架构,自定义管道,也可多个模型管道并行。
其步骤包括:数据处理-训练学习-测试评估-预测
1.2将模型投入到生产
将模型部署到生产换将中,可有三种模式:分析如表4所示。
(1)REST API模式:将模型打包成API接口,放置WEB服务中,供http/https等请求调用,并将预测结果通过API接口返回给调用者。例如使用Flask。
(2)离线模式:将模型部署到后台任务中,定时按规律启动模型进行预测,预测结果会存放在离线数据库中。方法包括使用:Crontab、Azkaban等。
(3)在线模式:模型可接收实时数据流,进行实时训练、推理和预测,结果会发送到消息队列中。方法包括Structured Streaming/ML、Flink ML等。
表4三种模型对比分析
1.3模型运营(MLOps)
模型运营表示模型投入生产后的模型管理和维护。模型运营流程如图7所示。
(1)建立模型监控机制,主要应对以下问题:
输入数据:来自业务方或者其他源数据,数据环境、质量***。需要监控处理数据的能力,建立容错机制;
模型预测能力下降:随着时间推移和新数据的输入,模型泛化能力可能存在下降,这时需要重新建立模型(线路1)或者重新训练(线路2);
执行效率:监控模型运行效率,重点对于实时性较高的预测。
(2)模型运营还有其他主要作用:
a.模型Pipeline管理
b.管理模型生命周期
c.维护模型健康
d.模型版本管理
e.持续集成和部署
2.动力电池安全预警分析
2.1锂离子电池***安全事故诱发因素及其交互关系如图8所示。
2.2锂离子电池***安全状态预警流程如图9所示。其中安全状态早期预警包括正常运行和渐变故障演变,正常运行时,通过管理***维护、检测精度标定和管理逻辑验证实现;渐变故障烟花通过电池本体识别、内短路估计、老化程度估计和不一致性评价实现。热失控提前预警包括滥用故障触发和热失控出发两种模式。其中滥用故障出发主要通过外部激源识别以及各种滥用对应参数的阈值来判定;热失控出发主要是通过检测火灾发生早期的气体检测实现。
2.3动力电池模型建立
动力电池模型建立主要是通过所检测到的互联网平台数据,包括时间、电压、电流以及温度,通过建立相应的模型,从而实现对电池的安全预警和报警,监控电池自放电、析锂、内短路、热失控以及高压连接,具体模型建立流程如图10所示。
2.4动力电池模型结果分析
2.4.1电压一致性异常预警
动力电池模型-电压一致性异常预警结果如图11所示。结果表明A2、A4、A5、A7、A8和A10对应压差偏差曲线前期数值较大,发现异常后通过OTA进行了软件策略调整,因此压差偏差曲线存在斜率较大的下降。
2.4.2温度一致性异常预警
动力电池模型-温差一致性异常预警结果如图12所示。从图中可以看出,车辆1温差远大于其他车辆,表明车辆1存在连接或者电芯内阻异常问题。
2.4.3内阻一致性异常预警
动力电池模型-内阻一致性异常预警结果如图13所示。从图中可以看出,车辆A2在2019年10月底前和后发生了较大的变化,2019年10月底之前的单体电芯相对内阻存在较明显的相邻一峰一谷,而2019年10月底之后此现象消失。出现此现象的原因是内阻补偿策略在2019年10月底通过OTA进行了调整。
Claims (2)
1.一种数据驱动的新能源汽车电池故障报警和故障预警模型,其特征在于:具体包括:
一、基于值-率的报警***
数据准备:数据来源于某车企10台车辆,三个月数据,锰酸锂电池,磷酸铁锂电池,三元锂离子电池,钛酸锂电池,90串电芯,32个温度。
最终提取的目标变量包括:
1.基于“值-率”报警模型
①值:单体温度极值、单体电压极值、绝缘阻值、温差最大值、SOC值、电压极差值以及电压极差代号;
②率:温升速率、电压下降速率和电压上升速率。
设定输入数据项,建立“值-率-模型”的多级预报警流程,如下:
01当,电池特征值单体温度极值、单体电压极值、绝缘阻值、温差最大值、SOC值、电压极差值以及电压极差代号,超出设定的输入数据项,则报警;
02当,电池特征值单体温度极值、单体电压极值、绝缘阻值、温差最大值、SOC值、电压极差值以及电压极差代号,未超出(正常)设定的输入数据项,则进入电池“率”特征项;
01当,电池特征“率”温升速率、电压下降速率和电压上升速率,超出设定的输入数据项,则报警;
02当,电池特征“率”温升速率、电压下降速率和电压上升速率,未超出(正常)设定的输入数据项,则进入预警模型做进一步研判。
2.基于统计学、熵值和波动一致性的预警模型
01当,输入数据行进入到设定好的统计学模型、熵值模型和波动一致性模型后,经过模型研判,超出设定的模型规定,则报警并提供相应措施;
02当,输入数据行进入到设定好的统计学模型、熵值模型和波动一致性模型后,经过模型研判,未超出(正常)设定的模型规定,则表明电池性能良好,可正常使用。
二、“值-率”模型分级报警规则
建立相应的“值-率”模型分级报警规则,为所建立的报警模型提供一定的判定量。
本专利所建立的“值-率”模型分级报警规则如下;针对电池特征值,建立三级安全报警规则,并通过输入值和设定的特征值进行对比,从而进行相应的故障报警,进而保证电池的安全使用;
三、基于模型进行预警
1.基于分布的预警模型
基于相同车型的特征值,进行单车的分布统计及整体的分布统计,计算上下边缘值,通过对比单车特征分布与整体特征分布的情况,识别异常车辆;
1.1.压差异常预警
压差异常预警运行频率为每日1次。获取并计算监测平台中同一车型(以工信部公告车型产品型号为准)的电池包单日满足SOC处于指定范围(企业自定义,例:30%~70%),温度处于指定范围(企业自定义,例:0℃~40℃)条件的数据帧的电池压差。分别计算每一个电池包压差的25分位数(Q25)、50分位数(Q50)、75分位数(Q75),以及下边缘值V1。以各电池包压差的50分位数组成的整体电池压差分布并计算整体电压的25分位数(Q25_total)和75分位数(Q75_total),以及上边缘值V0。若存在电池包的V1>V0的情况,则触发压差异常预警;
1.2.温差异常预警
温差异常预警模型如图4所示。温差异常预警运行频率为每日1次。获取并计算监测平台中同一车型(以工信部公告车型产品型号为准)的电池包单日每一数据帧的电池温差。分别计算每一个电池包温差的25分位数(Q25)、50分位数(Q50)、75分位数(Q75),以及下边缘值T1。以各电池包温差的50分位数组成的整体电池温差分布并计算整体温差的25分位数(Q25_total)和75分位数(Q75_total),以及上边缘值T0。若存在电池包的T1>T0的情况,则触发温差异常预警;
通过同一天实际车辆数据进行对比,车辆F下边缘值T1>整体分布上边缘值T0,触发预警;
1.3.绝缘异常预警
绝缘异常预警运行频率为每日1次;获取并计算监测平台中同一车型(以工信部公告车型产品型号为准)每辆车的绝缘阻值;分别计算每一个电池包绝缘阻值的25分位数(Q25)、50分位数(Q50)、75分位数(Q75),以及上边缘值R1。以每辆车绝缘阻值50分位数组成的整体电池绝缘分布,计算整体绝缘的25分位数(Q25_total)和75分位数(Q75_total),以及下边缘值R0;若存在电池包的R1<R0的情况,则触发绝缘异常预警。通过同一天实际车辆数据进行对比,车辆F上边缘值R1<整体分布下边缘值R0,触发预警。
2.根据权利要求1所述一种数据驱动的新能源汽车电池故障报警和故障预警模型,其特征在于:所述模型的构建具体包括以下步骤:
1.数据分析和建模流程
1.1模型管道Pipeline
构建模型管道(Pipeline);
a.构建模型管道有助于实现模型工作流的自动化,并使序列数据可以在模型中进行转换和关联,从而进行分析并获得输出。
b.灵活性–管道的目标是对模型进行控制。精心规划的管道有助于使实施更加灵活;为了更好地实施,可以在不更改***其余部分的情况下重新加工该部分;
c.可扩展性–将***划分为多个部分时,很容易创建新功能;
一种常见的模型管道;在实际构建中,可根据业务和架构,自定义管道,也可多个模型管道并行。
其步骤包括:数据处理-训练学习-测试评估-预测
1.2将模型投入到生产
将模型部署到生产换将中,可有三种模式:
(1)REST API模式:将模型打包成API接口,放置WEB服务中,供http/https等请求调用,并将预测结果通过API接口返回给调用者。例如使用Flask。
(2)离线模式:将模型部署到后台任务中,定时按规律启动模型进行预测,预测结果会存放在离线数据库中。方法包括使用:Crontab、Azkaban等。
(3)在线模式:模型可接收实时数据流,进行实时训练、推理和预测,结果会发送到消息队列中。方法包括Structured Streaming/ML、Flink ML等。
1.3模型运营(MLOps)
模型运营表示模型投入生产后的模型管理和维护;
(1)建立模型监控机制,主要应对以下问题:
输入数据:来自业务方或者其他源数据,数据环境、质量***。需要监控处理数据的能力,建立容错机制;
模型预测能力下降:随着时间推移和新数据的输入,模型泛化能力可能存在下降,这时需要重新建立模型(线路1)或者重新训练(线路2);
执行效率:监控模型运行效率,重点对于实时性较高的预测。
(2)模型运营还有其他主要作用:
a.模型Pipeline管理
b.管理模型生命周期
c.维护模型健康
d.模型版本管理
e.持续集成和部署
2.动力电池安全预警分析
2.1锂离子电池***安全事故诱发因素及其交互关系;
2.2锂离子电池***安全状态预警流程;其中安全状态早期预警包括正常运行和渐变故障演变,正常运行时,通过管理***维护、检测精度标定和管理逻辑验证实现;渐变故障烟花通过电池本体识别、内短路估计、老化程度估计和不一致性评价实现。热失控提前预警包括滥用故障触发和热失控出发两种模式。其中滥用故障出发主要通过外部激源识别以及各种滥用对应参数的阈值来判定;热失控出发主要是通过检测火灾发生早期的气体检测实现;
2.3动力电池模型建立
动力电池模型建立主要是通过所检测到的互联网平台数据,包括时间、电压、电流以及温度,通过建立相应的模型,从而实现对电池的安全预警和报警,监控电池自放电、析锂、内短路、热失控以及高压连接;
2.4动力电池模型结果分析
2.4.1电压一致性异常预警
2.4.2温度一致性异常预警
2.4.3内阻一致性异常预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210913028.9A CN115356636A (zh) | 2022-07-31 | 2022-07-31 | 一种数据驱动的新能源汽车电池故障报警和故障预警模型 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210913028.9A CN115356636A (zh) | 2022-07-31 | 2022-07-31 | 一种数据驱动的新能源汽车电池故障报警和故障预警模型 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115356636A true CN115356636A (zh) | 2022-11-18 |
Family
ID=84031027
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210913028.9A Withdrawn CN115356636A (zh) | 2022-07-31 | 2022-07-31 | 一种数据驱动的新能源汽车电池故障报警和故障预警模型 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115356636A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115876288A (zh) * | 2023-02-27 | 2023-03-31 | 泰安奇正电子科技有限公司 | 一种基于大数据的电子仪表故障分析方法及*** |
CN116754967A (zh) * | 2023-04-24 | 2023-09-15 | 中广核新能源安徽有限公司固镇分公司 | 用于储能电站电化学电池在线评估的方法和*** |
CN116882981A (zh) * | 2023-09-07 | 2023-10-13 | 深圳市海雷新能源有限公司 | 基于数据分析的智能电池管理*** |
CN115764080B (zh) * | 2022-12-15 | 2023-11-14 | 广州星翼智慧能源技术有限公司 | 一种电池热失控智能控制方法及*** |
CN117067921A (zh) * | 2023-10-18 | 2023-11-17 | 北京航空航天大学 | 电动汽车的故障检测方法及电动汽车 |
CN117067920A (zh) * | 2023-10-18 | 2023-11-17 | 北京航空航天大学 | 动力电池的故障检测方法、装置、电子设备及电动汽车 |
CN117261599A (zh) * | 2023-10-18 | 2023-12-22 | 北京航空航天大学 | 电动汽车的故障检测方法、装置、电子设备及电动汽车 |
CN117517993A (zh) * | 2023-11-02 | 2024-02-06 | 安徽智途科技有限公司 | 基于电芯性能评估的车辆电池能量智能管理方法及*** |
-
2022
- 2022-07-31 CN CN202210913028.9A patent/CN115356636A/zh not_active Withdrawn
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115764080B (zh) * | 2022-12-15 | 2023-11-14 | 广州星翼智慧能源技术有限公司 | 一种电池热失控智能控制方法及*** |
CN115876288A (zh) * | 2023-02-27 | 2023-03-31 | 泰安奇正电子科技有限公司 | 一种基于大数据的电子仪表故障分析方法及*** |
CN115876288B (zh) * | 2023-02-27 | 2023-06-16 | 泰安奇正电子科技有限公司 | 一种基于大数据的电子仪表故障分析方法及*** |
CN116754967A (zh) * | 2023-04-24 | 2023-09-15 | 中广核新能源安徽有限公司固镇分公司 | 用于储能电站电化学电池在线评估的方法和*** |
CN116882981A (zh) * | 2023-09-07 | 2023-10-13 | 深圳市海雷新能源有限公司 | 基于数据分析的智能电池管理*** |
CN116882981B (zh) * | 2023-09-07 | 2023-11-21 | 深圳市海雷新能源有限公司 | 基于数据分析的智能电池管理*** |
CN117067920A (zh) * | 2023-10-18 | 2023-11-17 | 北京航空航天大学 | 动力电池的故障检测方法、装置、电子设备及电动汽车 |
CN117067921A (zh) * | 2023-10-18 | 2023-11-17 | 北京航空航天大学 | 电动汽车的故障检测方法及电动汽车 |
CN117261599A (zh) * | 2023-10-18 | 2023-12-22 | 北京航空航天大学 | 电动汽车的故障检测方法、装置、电子设备及电动汽车 |
CN117067921B (zh) * | 2023-10-18 | 2024-01-05 | 北京航空航天大学 | 电动汽车的故障检测方法及电动汽车 |
CN117067920B (zh) * | 2023-10-18 | 2024-01-05 | 北京航空航天大学 | 动力电池的故障检测方法、装置、电子设备及电动汽车 |
CN117261599B (zh) * | 2023-10-18 | 2024-05-03 | 北京航空航天大学 | 电动汽车的故障检测方法、装置、电子设备及电动汽车 |
CN117517993A (zh) * | 2023-11-02 | 2024-02-06 | 安徽智途科技有限公司 | 基于电芯性能评估的车辆电池能量智能管理方法及*** |
CN117517993B (zh) * | 2023-11-02 | 2024-05-17 | 安徽智途科技有限公司 | 基于电芯性能评估的车辆电池能量智能管理方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115356636A (zh) | 一种数据驱动的新能源汽车电池故障报警和故障预警模型 | |
WO2021208309A1 (zh) | 用于储能电站电化学电池在线评估的方法和*** | |
CN116626505B (zh) | 一种基于车联网大数据的电池组一致性异常检测方法 | |
CN106443475A (zh) | 基于运营大数据的退役动力电池无拆解再次利用筛选方法 | |
WO2022213597A1 (zh) | 一种新能源车辆三电***安全特征数据库构建方法 | |
CN111816938B (zh) | 一种退役电池梯次利用方法 | |
CN109738811B (zh) | 基于双级模型预测的锂离子电池组外部短路故障诊断方法 | |
CN113990054A (zh) | 一种储能电站数据分析与预警*** | |
CN114734873B (zh) | 一种基于云端在线数据的动力电池单体热失控预警方法 | |
CN109615273A (zh) | 一种电动汽车充电设施状态评价方法与*** | |
CN104882914A (zh) | 一种多电池单体均衡方法 | |
Yin et al. | Voltage fault diagnosis of power batteries based on boxplots and gini impurity for electric vehicles | |
DE102022120962A1 (de) | Batteriefehlererkennung | |
CN111882697B (zh) | 一种基于概率突变法则的电压异常单体的识别算法 | |
Diao et al. | Research on Electric Vehicle Charging Safety Warning Based on A-LSTM Algorithm | |
CN114646888A (zh) | 一种动力电池容量衰减的评估方法及*** | |
CN116165552A (zh) | 一种电池***过压/欠压故障定位方法 | |
Lin et al. | A hybrid multiscale permutation entropy-based fault diagnosis and inconsistency evaluation approach for lithium battery of E-vehicles | |
CN110990770A (zh) | 一种电动汽车动力电池故障模糊综合评判方法 | |
CN116154829A (zh) | 一种动力电池梯次利用的电网储能*** | |
CN115128468A (zh) | 一种化学储能电池phm欠压故障预测方法 | |
Gao et al. | Research on intelligent diagnosis strategy and treatment method of EV charging fault | |
Yang et al. | Electric Vehicle Charging Anomaly Detection Method Based on Multivariate Gaussian Distribution Model | |
CN116579677B (zh) | 一种高速铁路电务车载设备全生命周期管理方法及*** | |
CN116593902B (zh) | 基于铁锂电池的性能参数融合成ai模型的故障诊断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20221118 |
|
WW01 | Invention patent application withdrawn after publication |