CN116075733A - 用于对电池模块进行分类的电池管理*** - Google Patents

Abstract

本发明涉及一种电池管理***(100)，用于对具有第一电池单元和第二电池单元的电池模块进行分类，其中该电池管理***(100)包括接口(101)和处理器(103)。接口(101)被设计用于获得在第一电池单元上的第一电压波形和在第二电池单元上的第二电压波形，其中，第一电压波形包括第一电压波形部分和第二电压波形部分，而第二电压波形包括第三电压波形部分和第四电压波形部分。处理器(103)被设计为根据第一电压波形和第二电压波形的电压平均值确定参考电压波形，其中，参考电压波形包括第一参考电压波形部分和第二参考电压波形部分。进一步地，处理器(103)被设计为将第一电压波形与参考电压波形进行比较，以获得表明在第一电压波形部分与第一参考电压波形部分之间的第一电压偏差以及在第二电压波形部分与第二参考电压波形部分之间的第二电压偏差的第一指标，并将第二电压波形与参考电压波形进行比较，以获得表明在第三电压波形部分与第一参考电压波形部分之间的第三电压偏差和在第四电压波形部分与第二参考电压波形部分之间的第四电压偏差的第二指标。如果第一指标大于第二指标，则处理器(103)被设计为将第一电特征与第一电压波形部分相关联，并将第二电特征与第二电压波形部分相关联，以便通过第一电特征和第二电特征对电池模块进行分类。或者，如果第一指标小于第二指标，则处理器(103)被设计为将第三电特征与第三电压波形部分相关联，将第四电特征与第四电压波形部分相关联，以便通过第三电特征和第四电特征对电池模块进行分类。

Description

用于对电池模块进行分类的电池管理***

技术领域

本发明涉及一种电池管理***和一种对包括电池单元的电池模块进行分类的方法。特别是，本发明涉及用于自动检测电池模块的异常情况的分类算法。

背景技术

如果电池模块在负载阶段的电压波形不符合电池类型和老化状态的典型正态分布，目前只能由专业人员进行视觉检测。由于手工和单调的活动，这需要大量的时间支出并且可能出错。

确定所达到的产品质量对于优化电池***的制造过程非常重要。为此，在现代生产设施中，测量数据通常以数字形式完全自动收集。机器学习方法可用于评估这些数据，因为它们能够实现低成本和快速的全面检查。此外，与人类不同的是，机器学习模型不会因为单调的工作而出现任何疲劳的迹象。

发明内容

本发明所要解决的技术问题是提供一种电池管理***和电池模块的分类方法，该***和方法可以检测电池模块的异常情况，并将异常情况进行分类为各种类型。特别是将表明，机器学习方法适用于检测电池***的异常情况。

本发明基于如下认知，根据电池模块的电压波形，异常情况是可见的。因此，根据电池模型的电气线路得出错误的内阻值、容量值和偏移电压的影响。结果发现，所有观察到的效果都可以在上述三个物理量的基础上进行描述。基于这一发现，定义了不同的异常类型以及正常情况。

根据本发明的第一方面，该技术问题由一种用于对电池模块进行分类的电池管理***来解决，其中电池模块包括第一电池单元和第二电池单元。电池管理***包括接口和处理器。接口被设计为用于获得第一电池单元上的第一电压波形和第二电池单元上的第二电压波形，其中，第一电压波形包括第一电压波形部分和第二电压波形部分，并且，第二电压波形包括第三电压波形部分和第四电压波形部分。

处理器被进一步设计为：根据来自第一电压波形和第二电压波形的电压平均值确定参考电压波形，其中，参考电压波形具有第一参考电压波形部分和第二参考电压波形部分；将第一电压波形与参考电压波形进行比较，以获得第一指标，该第一指标表明在第一电压波形部分与第一参考电压波形部分之间的第一电压偏差以及在第二电压波形部分与第二参考电压波形部分之间的第二电压偏差；将第二电压波形与参考电压波形进行比较，以获得第二指标，该第二指标表明在第三电压波形部分与第一参考电压波形部分之间的第三电压偏差以及在第四电压波形部分与第二参考电压波形部分之间的第四电压偏差；以及如果第一指标大于第二指标，则为第一电压波形部分分配第一电特征相关联，为第二电压波形部分分配第二电特征相关联，以便根据第一电特征和第二电特征对电池组进行分类；或如果第一指标小于第二指标，则为第三电压波形部分分配第三电特征相关联，为第四电压波形部分分配第四电特征相关联，以便根据第三电特征和第四电特征对电池模块进行分类。

这实现了如下技术优势，即，电池模块中的异常情况被检测，从而能够区分无故障电池模块(即正常情况)和有故障的电池模块。

根据电池管理***的一个示例性实施方案，电池管理***包括存储器，该存储器被设计为用于存储多个电特征，其中处理器被设计为用于从存储器中读出相应的电特征。

因此，电特征可以被存储和读出。

根据电池管理***的一个示例性实施例，处理器被设计为根据第一电压波形和第二电压波形来确定参考电压波形。

这提供了有效计算电池模块的参考电压波形的技术优势。

根据电池管理***的一个示例性实施方案，参考电压波形包括第一电压波形和第二电压波形的中值或平均值。

这实现了有效计算电池模块的参考电压波形的技术优势。

根据电池管理***的一个示例性实施例，电池模块包括第三电池单元，并且接口被设计为用于获得第三电池单元上的第三电压波形，其中，处理器被设计为基于第一电压波形、第二电压波形和第三电压波形来确定参考电压波形。

根据电池管理***的一个示例性实施方案，参考电压波形包括第一电压波形、第二电压波形和第三电压波形的中值、平均值或众数。

这实现了技术上的优势，即为电池模块生成参考电压波形，用于检测在电压波形方面与电池模块的其他电池单元差异最大的电池单元。

根据电池管理***的一个示例性实施例，处理器被设计为：使用主成分分析法，根据第一电压波形的第一电压波形部分确定第一电特征，根据第一电压波形的第二电压波形部分确定第二电特征，其中，第一电特征代表第一电压波形的第一电压波形部分，第二电特征代表第一电压波形的第二电压波形部分；且/或通过主成分分析，根据第二电压波形的第三电压波形部分确定第三电特征，并根据第二电压波形的第四电压波形部分确定第四电特征，其中第三电特征代表第二电压波形的第三电压波形部分，第四电特征代表第二电压波形的第四电压波形部分。

这使得电特征可以有效地被确定。

根据电池管理***的一个示例性实施例，处理器被设计为根据第一电压波形的第一电压波形部分确定第一电特征，根据第一电压波形的第二电压波形部分确定第二电特征，根据第二电压波形的第三电压波形部分确定第三电特征，根据第二电压波形的第四电压波形部分确定第四电特征。

根据电池管理***的一个示例性实施方案，第一电特征对应于第一电池单元的偏移电压，第三电特征对应于第二电池单元的另外的偏移电压，其中第二电特征对应于第一电池单元的内阻，第四电特征对应于第二电池单元的另外的内阻。

这样做的技术优势是，可以有效地提取电池模块的电池单元的电特征，从而可以借助各电池单元的偏移电压和内阻来描述电池模块中出现的异常情况。

根据电池管理***的一个示例性实施例，处理器被设计为使用分类算法对电池模块进行分类，其中分类算法包括逻辑回归、支持向量机、随机森林、多层感知器和单类支持向量机中的至少一种。

这提供了有效分类电池模块的技术优势，以确定电池模块是无故障还是有故障。

根据电池管理***的一个示例性实施方案，接口被设计为用于获得多个第一电压波形和多个第二电压波形，其中多个第一电压波形中的每一个对应于多个电池模块之一的第一电池单元，多个第二电压波形中的每一个对应于多个电池模块之一的第二电池单元。其中，接口被设计用于无故障地操控多个电池模块，其中，处理器被设计为使用另外的分类算法对多个电池模块中的每个电池模块进行分类，以根据分类形成参考组。

这实现了有效形成无故障电池模块参考组的技术优势，并在特征空间中为无故障电池模块设定了严格的阈值，据此，超出该阈值的电池模块可被宣布为异常。

根据电池管理***的一个示例性实施例，处理器被设计为使用另外的分类算法对多个电池模块进行分类，其中，另外的分类算法包括逻辑回归、支持向量机、随机森林、多层感知器和单类支持向量机中的至少一种。

这实现了如下技术优势，即，有效形成了无故障电池模块的参考组，并在特征空间中建立了无故障电池模块的严格阈值。

根据电池管理***的一个示例性实施例，第一电压波形具有第五电压波形部分，第二电压波形具有第六电压波形部分，其中，处理器被设计为基于第一电压波形的第五电压波形部分提取第五特征，并基于第二电压波形的第六电压波形部分提取第六特征。

根据电池管理***的一个示例性实施方案，第五特征与第一电池单元的容量相对应，第六特征与第二电池单元的另外的容量相对应。

这实现了技术上的优势，即有效地提取了电池模块的电池单元的电特征，从而可以借助于偏移电压、电池容量和/或各个电池单元的内阻来描述电池模块中出现的异常情况。

根据电池管理***的一个示例性实施例，接口被设计为用于获得待生成的组的数量、另外的多个第一电压波形和另外的多个第二电压波形，其中另外的多个第一电压波形中的每一个对应于另外的多个电池模块之一的第一电池单元，并且其中另外的多个第二电压波形中的每一个对应于另外的多个电池模块之一的第二电池单元，其中，处理器被设计为通过分类算法将另外的多个电池模块中的每个电池模块分配到多个组，其中该多个组的数量等于待生成的组的数量。

这实现了对电池模块进行有效分类的技术优势，从而检测出电池模块的异常情况，并将异常情况分类为不同类型。

根据本发明的第二个方面，该技术问题是通过一种电池管理方法来解决的，其包括以下方法步骤：获得在电池模块的第一电池单元上的第一电压波形和在电池模块的第二电池单元上的第二电压波形，其中第一电压波形包括第一电压波形部分和第二电压波形部分，并且其中第二电压波形包括第三电压波形部分和第四电压波形部分；根据第一电压波形和第二电压波形的电压平均值确定参考电压波形，其中该参考电压波形具有第一参考电压波形部分和第二参考电压波形部分；将第一电压波形与参考电压波形进行比较，以获得第一指标，该第一指标表明在第一电压波形部分与第一参考电压波形部分之间的第一电压偏差以及在第二电压波形部分与第二参考电压波形部分之间的第二电压偏差；将第二电压波形与参考电压波形进行比较，以获得第二指标，该第二指标表明在第三电压波形部分与第一参考电压波形部分之间的第三电压偏差以及在第四电压波形部分与第二参考电压波形部分之间的第四电压偏差；如果第一指标大于第二指标，则为第一电压波形部分分配第一电特征相关联，为第二电压波形部分分配第二电特征相关联，以便根据第一电特征和第二电特征对电池模块进行分类；或如果第一指标小于第二指标，则为第三电压波形部分分配第三电特征相关联，为第四电压波形部分分配第四电特征相关联，以便根据第三电特征和第四电特征对电池模块进行分类。

这实现了如下技术优势，即，电池模块异常被检测，从而能够区分无故障电池模块(即正常情况)和有故障的电池模块。

根据第一方面提到的关于电池管理***的所有实施例也适用于根据第二方面的方法的实施例。

附图说明

下面将参照实施例和附图对本发明进行更详细的描述。其中：

图1示出根据一个实施例的电池管理***的示意图，该***用于对电池模块进行分类；

图2示出根据一个实施例的所定义的异常情况类型表；

图3示出用于有利和不利选择的参数设置的示例；

图4示出电压波形和信号插值的示例；

图5示出具有非典型信号波形的信号的示例；

图6示出离散小波变换(DWT)变换后的图5例子中的信号，以及分段线性成本函数的定性波形；

图7示出对电压波形进行分割的示例；

图8模拟了一个实施例中的带有故障电池单元的电池模块的电压波形；

图9是从训练数据集生成的特征向量的示例；

图10示出一个实施方案中的各种分类算法的训练结果表；以及

图11示出根据一个实施方案的方法的流程图。

具体实施方式

在下面的详细描述中，参考了构成本文一部分的附图，在附图中，可以实施本发明的具体实施方案被作为附图显示出来。可以理解的是，在不脱离本发明概念的情况下，也可以使用其他的实施方案，并且可以进行结构或逻辑上的改变。因此，下面的详细描述不应理解为是一种限制性的意义。还应理解的是，本文所述的各种实施方案的特征可以相互结合，除非特别说明。

本发明的各方面和实施方案将参照图示进行描述，其中类似的附图标记一般指类似的元素。在下面的描述中，出于解释的目的，列出了许多具体细节，以便深入了解本发明的一个或多个方面。

图1示出了根据一个实施例的用于对电池模块进行分类的电池管理***100的示意图，其中电池模块至少包括第一电池单元和第二电池单元。如图1所示，电池管理***100包括接口101、处理器103和存储器105，其功能将在下面详细讨论。

在一个实施例中，接口101被设计为用于获得第一电池单元上的第一电压波形和第二电池单元上的第二电压波形，其中，第一电压波形包括第一电压波形部分和第二电压波形部分，并且其中第二电压波形包括第三电压波形部分和第四电压波形部分。

在一个实施例中，处理器103被设计为基于第一电压波形和第二电压波形的电压平均值来确定参考电压波形，其中，参考电压波形包括第一参考电压波形部分和第二参考电压波形部分。在一个实施例中，处理器105被设计为根据第一电压波形和第二电压波形来确定参考电压波形，并且参考电压波形包括第一电压波形和第二电压波形的中值或平均值。

另外，处理器103被设计为用于将第一电压波形与参考电压波形进行比较，以获得第一指标，该第一指标表明在第一电压波形部分与第一参考电压波形部分之间的第一电压偏差以及在第二电压波形部分与第二参考电压波形部分之间的第二电压偏差；并将第二电压波形与参考电压波形进行比较，以获得第二指标，该第二指标表明在第三电压波形部分与第一参考电压波形部分之间的第三电压偏差和在第四电压波形部分与第二参考电压波形部分之间的第四电压偏差。

如果第一指标大于第二指标，则处理器103被设计为用于为第一电压波形部分关联第一电特征，并且为第二电压波形部分关联第二电特征，以便通过第一电特征和第二电特征对电池模块进行分类。

在一个实施例中，处理器103被设计为：使用主成分分析法，基于第一电压波形的第一电压波形部分确定第一电特征，并基于第一电压波形的第二电压波形部分确定第二电特征，其中，第一电特征代表第一电压波形的第一电压波形部分，第二电特征代表第一电压波形的第二电压波形部分。

替代地，如果第一指标小于第二指标，处理器103被设计为为第三电压波形部分匹配第三电特征，并且为第四电压波形部分匹配第四电特征与第四电压波形部分相关联，以便通过第三电特征和第四电特征对电池模块进行分类。

在一个实施例中，处理器103被设计为使用主成分分析法，根据第二电压波形的第三电压波形部分确定第三电特征，并根据第二电压波形的第四电压波形部分确定第四电特征，其中第三电特征代表第二电压波形的第三电压波形部分，第四电特征代表第二电压波形的第四电压波形部分。

在一个实施方案中，存储器105被设计为存储多个电特征，其中处理器103被设计为从存储器中读取相应的各电特征。

在分类方面，处理器103被设计为使用分类算法对电池模块进行分类，其中，分类算法包括逻辑回归、支持向量机、随机森林、多层感知器和单类支持向量机中的至少一种。

在一个实施例中，电池模块进一步包括第三电池单元，并且接口101被设计为用于获得第三电池单元上的第三电压波形，其中，处理器103被设计为基于第一电压波形、第二电压波形和第三电压波形来确定参考电压波形。在这种情况下，参考电压波形包括第一电压波形、第二电压波形和第三电压波形的中间值、平均值或众数。

在一个实施例中，处理器被设计为根据第一电压波形的第一电压波形部分确定第一电特征，根据第一电压波形的第二电压波形部分确定第二电特征，根据第二电压波形的第三电压波形部分确定第三电特征，根据第二电压波形的第四电压波形部分确定第四电特征，其中第一电特征对应于第一电池单元的偏移电压，第三电特征对应于第二电池单元的另外的偏移电压，第二电特征对应于第一电池单元的内阻，第四电特征对应于第二电池单元的另外的内阻。

在一个实施方案中，接口101被设计为用于获得多个第一电压波形和多个第二电压波形，多个第一电压波形中的每一个对应于多个电池模块之一的第一电池单元，多个第二电压波形中的每一个对应于多个电池模块之一的第二电池单元，其中，接口被设计用于无故障地操控多个电池模块。

在这种情况下，处理器103被设计为使用另外的分类算法对多个电池模块中的每个电池模块进行分类，以基于分类形成参考组，其中，另外的分类算法包括逻辑回归、支持向量机、随机森林、多层感知器、单类支持向量机中的至少一个。

在一个实施例中，第一电压波形具有第五电压波形部分，第二电压波形具有第六电压波形部分，其中，处理器103被设计为基于第一电压波形的第五电压波形部分提取第五特征，以及基于第二电压波形的第六电压波形部分提取第六特征。第五特征与第一电池单元的容量相对应，第六特征与第二电池单元的另外的容量相对应。

在一个实施例中，接口101进一步被设计为用于获得待生成的组的数量、另外的多个第一电压波形和另外的多个第二电压波形，其中另外的多个第一电压波形中的每一个对应于另外的多个电池模块之一的第一电池单元，并且其中另外的多个第二电压波形中的每一个对应于另外的多个电池模块之一的第二电池单元。相应地，处理器103被设计为使用分类算法将另外的多个电池模块中的每个电池模块与多个组相关联，其中，该多个组的数量等于要生成的组的数量。

通过本发明的实施方式，可以完全自动地分析电池模块的特性，并且可以检测和分类可能的异常情况。

这实现了以下优势：

-节省成本，因为可能的产品不合格召回可以在早期阶段(生产后立即)进行预防。

-方法可适用于单个电池模块

-定位受影响的模块

-分类异常情况(标明原因)

-对所有模块进行100％的测试

本发明的实施方案涉及到以下几个方面：电池模拟、异常值检测和特征提取、分类算法和异常情况检测，下面将详细讨论这些内容。

在电池模拟模型的帮助下，真实的异常情况类型被模拟并以均匀分布的方式生成。随后的数据预处理提取了后续分类所需的特征(特征向量)，并检测出异种的或以前未知的异常情况(异常值)。分类模型将每个模块与一个已知的组相关联(进行分类)，据此，下游的异常检测器对是否是异常情况的决定进行更严格的审查。然而，在这些情况下，会进行纯二值分配(异常或正常情况)。

模拟异常的目的是为了相对于其“正常”特性获得物理特性的变化，并能够按照其特点

反复再现这种变化的特性。这必须发生在这一异常出现的阈值内，以便能够为这一异常关联一个原因。

为了能够可靠地产生这种变化的特性的所需精度，有必要采取三个步骤，这将在下文中详细考虑：

-对物理***的特性进行模拟

-定义导致异常的参数

-生成参数的分布

对物理***的特性进行模拟

真实物理***的特性必须在待分析的变量方面尽可能准确地由仿真模型来模拟。这是通过调整模拟模型的参数，使真实特性和模拟特性之间的偏差尽可能地小。

这种调整是通过优化算法的组合来完成的，这些算法按规定的顺序使用。这些(算法)确定参数组合，使模拟与实际测量的偏差最小。在此，这种参数调整总是基于已经针对普遍特性而初始调整的参数集。在这种调整之后，对特定的、真实***的特性进行的反映也被称为“数字孪生”。

定义导致异常的参数

为了能够有针对性地产生异常情况，必须确定导致异常情况的参数。这种分配可以由纯粹的数据评估来完成，也可以由专业部门来完成，它可以将特性模式与原因相关联，从而与参数相关联。已经定义了三个可以表征异常情况的参数。这些参数的所有可能组合定义了下面所示的情况。

图2示出了一个实施方案中的所定义的异常类型的表格200。从图2可以看出，所有发生的异常情况都可以用偏移电压、电池单元容量和内阻来描述。

产生异常情况分布

通过分析许多真实的异常情况，可以确定导致异常的参数的特点。这些参数的特点被用于获得特定异常情况的参数阈值的数量级。

所确定的这些阈值现在可以用来独立地生成异常情况，其特性和表现与真实***的异常情况相一致。所生成的异常情况可以根据需要经常创建，并以任何组合和特征创建，并且可以用它们来训练机器学习算法。

在模拟模型的帮助下，训练数据集的产生除了带来了许多优势也带来了挑战。仿真参数的选择对于以后用真实数据使用训练好的模型至关重要。例如存在如下风险，训练数据集中的参数有可能被选择得不利，从而使某些情况优先发生。图3显示了一个有利地(右上角)和不利地(左上角)选择的参数设置的例子。

从图3左上方可以看出，正常情况301c与仅容量故障303之间的距离非常小，而其他两个异常情况305、307与正常情况的距离较大。下方给出了通过分类器根据训练数据定义的示例性决策阈值。分类器将把一个内阻和容量都有异常的新数据点匹配于容量故障组，因为不利的决策阈值是在训练数据的基础上定义的。这可以通过巧妙地设置参数来补救(见图3，右上方)。由于所有异常数据点的中心都位于一个圆弧上，所以它们与正常情况的中心有相同的距离。因此，没有任何情况被人为地偏爱，正确的分类是可能的(见图3右下方)。

图3还显示，对于分类算法的训练来说至关重要的是，在这种应用情况中，参数的分布被制定为以圆形方式围绕正常情况301a-d。在这种情况下，参数及其组合被制定为使得各情况之间存在着间隙。这保证了各个异常情况彼此之间的界限。这里以两个参数的二维空间为例进行展示。然而，对于更高维度的关系也必须遵循这种关系。围绕正常情况的圆形布置确保了对所指定的异常情况的评估权重相同，为此，所产生的正常情况和异常情况的数量相等。

在使用机器学习方法来检测和分类异常情况之前，必须进行大量的数据预处理。这发生在几个过程步骤中，下面列出了这些步骤。

过滤时间序列

在一个实施方案中，要检查的电池由28或33个模块组成。然而，无论电池类型如何，都会记录33个模块的数据。如果是只有28个模块的电池，其余五个模块使用默认值。从真实的数据集中删除这些模块及其默认值是数据预处理的第一步。为了能够识别相关的模块，会读出各个电池单元电压。如果一个模块只有默认值作为电池单元电压，且模块编号大于28，则该模块和相关时间序列被删除。

确定触发点

除了不同长度的时间序列外，真实数据还可能包含时间偏移信号。时间偏移是通过在信号的突出边沿触发来补偿的。信号的一阶导数和预定的触发阈值被用于动态检测该边沿。如果斜率的幅度大于这个触发阈值，就是所寻找的边沿。

对时间序列进行内插

所用的真实数据在一个时间序列内有不同的步长。如果在没有相应时间值的情况下考察信号，这将使信号波形失真。然而，对于进一步的处理，应该只考察没有时间信息的电压值。为了使之成为可能，必须对信号进行插值。图4显示了这一步骤。有了上面定义的触发点401，就可以确定插值范围403的终点。起点是由终点和预定的时间段之间的差异计算出来的。在这个范围内的线性插值会导致步长的归一化。因此，不管时间基准是什么，各个信号都可以相互比较，而不会使信号波形失真。

从图4可以看出，这个过程也适用于过滤可能在记录开始时出现的默认值。当数据的记录处于活动状态但没有进行测量时，时间序列总是有默认值。如果这样的默认值出现在实际的信号波形中，一定不能删除，因为这样会操纵测量结果，而且会丢失关于测量单元的可能缺陷的信息。

平滑化时间序列

为了改善有用信号和信号噪声之间的比例，使用了一阶低通滤波器。然而，采样率显然太低，无法在不影响有用信号的情况下明显抑制噪声。为了仍然能够确定截止频率，在剩余的有用信号和噪声之间进行折衷，经验性地确定了0.1赫兹的截止频率。

滤除异常值

为了进一步处理数据，必须给出测量的形状相似性，因为触发是在某些特征上进行的。所有定义的异常和正常情况都显示出这种形状相似性。因此，具有不同特征的电压波形必须事先被过滤掉。图5显示了一个具有不同的、非典型波形的信号501的可能例子。

动态时间扭曲(DTW)可以用来检测这种离群值。这种方法适用于信号波形的比较，因为时间上的偏移或失真得到了补偿。然而，测试表明，使用DTW需要相当的算力和时间成本。因此，对于计算能力有限的应用来说，这将不是一个有利的选项。为了仍然能够识别这种不寻常的波形，信号通过离散小波变换(DWT)的方式进行变换。这使信号的长度减半，同时又不损失基本信息。随后，考察细节系数，因为这些系数包含原始信号的高频成分。事实证明，所有生成的情况只在四个突出的峰的高度上有所不同。如果一个信号除了这四个峰之外还有其他的峰，那么这就是由于信号形状的偏差造成的。借助欧几里得距离(Euklidische Distanz)，转换后的信号可以与参考信号进行比较。然而，由于只有峰以外的区域对于该比较是重要的，因此额外地定义了成本函数f_cost。如下表达形状相似度的计算：

p_j代表被调查信号的第j个细节系数，q_j是参考信号的第j个细节系数。然后将这两个值的差的平方乘以f_cost(i)。这个系数对应于成本函数的第j个值。如果成本函数在峰的位置上有零值，则在确定形状相似性时不考虑它们。由于在实际数据中，峰可以沿X轴移动，因此成本函数的矩形波形是没有帮助的。补救措施是提供一个随着与峰的距离而增加的函数。这使远离峰的偏差得到更多的加权，而对峰附近的偏差则予以容忍。d_s□ape的值越高，信号的形状就越不同。

图6显示了上述例子中的DWT变换信号和分段线性成本函数的定性波形。为了确定成本函数，首先得出参考信号，以确定峰的位置。所有小于预定阈值的导出的信号值都被设置为零。这个阈值是信号在峰以外区域的导数的最大值。因此，只剩下峰的导数。

成本函数的各个数值的计算方法如下：

参数w和k由程序员设定。借助加权因子w可以改变公差范围。指数p决定了成本函数根据距离d_epak的增加速度。这里，d_peak代表到最近的峰的距离。变换后的信号p的第j个导数值用p_j′表示。

提取特征

待调查的异常情况仅由三个物理量来描述：偏移电压、电池单元容量和电池单元内阻。将信号分解成三段构成了特征提取的第一步(见图7)。三条边沿被用来分开各个区域。通过信号的求导，可以很容易地确定这些边沿，因为每个信号都有一个类似的波形，而且测量噪声在很大程度上得到了补偿。

假设，第一段701特别适用于确定偏移电压，第二段702用于检测低的电池单元容量，而内阻增加的影响在第三段703中变得更加明显。这些影响也表明，第二段702的信号波形较陡，不仅仅是由于电池单元容量较低。在充电过程中，电池单元电压和充电状态(SoC)之间的非线性关系也清晰可见，并导致充电过程中电压波形的动态特性发生偏差。由于电池***在线路末端测试(EoL测试，End-of-Line-Test)之前没有处于统一的充电状态，所以每个电池的偏移电压可能略有不同。通过在测试开始时测量电池电压，所有不在规定容许范围内的电池都会被移除。由于这个原因，可以假设，电池中大多数其电压在容许范围内的电池单元都没有异常情况。电池的不同充电状态不允许使用一个刚性参考信号(starresReferenzsignal)来区分异常或正常情况。因此，发生的异常情况要被宣布为与背景有关的异常情况，因为仅凭信号波形不能说明电池单元的状态。在下文中，在模块层面考察电池***。

图8显示了一个实施方案中的具有故障电池单元的电池模块的模拟电压波形和计算出的参考信号801。参考信号801的电压波形是通过计算一个模块的所有电池单元电压的中值形成的。中值比算术平均值更适合作为参考，因为异常值对中值的影响要小得多。如果考虑到多条电压波形，它们可以表示如下：

其中

1≤i≤m且

1≤j≤n

电压波形的数量用m表示，测量点的数量用n表示。因此，对于参考信号有：

其中

生成的参考信号被用来检测在电压波形方面与模块中其他电池单元差异最大的电池单元。每个模块的参考信号都是重新形成的。由于可能发生的情况是，一个模块的几个电池单元显示出不同的异常情况，所以电池单元电压和参考电压的比较是针对每一段的。下文将解释在各段中进行特征提取的步骤。

偏移电压

由于偏移电压过高或过低都代表着故障，因此只有电池单元和参考电压之间的差才是重要的。因此，与参考信号相差最大的电池单元是与理想偏差最大的电池单元。

电池单元容量

在第二段中，试图提取有关电池单元容量的信息。为了能够比较充电特性，首先将所有电压设置为统一的起始值。0V被选为起始值，因为这可以通过减去第二段内的第一个电压值而轻松实现。之后，这里也会检测到最有问题的电池单元。这可以通过最陡峭的电压波形来识别。

内阻

偏移电压也在第三段中得到补偿，因为只有相对的电压突变才能得出关于电池单元内阻的结论。目前，作为高内阻的表现的过高的电压突变，与过低的电压突变一样，被视为异常，因为电压差也是按值的大小来考虑的。

为了选择在电压波形方面与参考电池单元偏差最大的电池单元，要提取其分段信号

其中：

d_sec,i,j计算如下：

这样对于每个模块和段就得到了时间序列。现在，试图减少数据。这是借助主成分分析完成的。这个方法在这里是合适的，因为对于每一个段，确定具有最大的信息含量的那些点。因此，冗余的信息被消除了。事实证明，经过主成分分析，每段的一个点足以保留基本特征。这就产生了一个有三个项的特征向量。

向量

的项c_k、l，其中l∈□，1≤l≤3，代表第l段和第k个模的经主成分分析(PCA)变换的主成分。

由于各个段的数值范围可能会有很大的不同，所以然后还进行标准化，结果是平均值为0，经验方差为1。这一步骤使得许多机器学习算法的性能得到显著提高。如果我们现在考虑整个训练数据集，则得到以下矩阵V，它由多个特征向量组成。

然后通过以下转换进行标准化：

对于标准偏差σ_cl有:

通过对特征进行标准化，可以更清楚地突出差异，并且可以补偿各个特征的不同数量级。

然后，特征向量可以被表示为三维空间中的点。数据点根据它们的组别用颜色表示。图9显示了图2中表200的情况的各个特征向量。图9显示了使用一个示例数据集进行特征提取的结果。从这里可以看出，不同的组之间有明显的区别。这样就可以得出结论，特征提取是成功的。

为了对异常情况进行分类，可以测试几种分类算法，如逻辑回归、支持向量机、随机森林、多层感知器。

图10显示了一个实施方案中用k-Means训练时不同分类算法的结果的表1000。从图10可以看出，支持向量机给出了最好的结果，支持向量机对数据进行正确分类所需的时间仅为多层感知器的3％。

在一个实施方案中，在分类器之后使用单类支持向量机，以允许对异常和正常情况有更严格的考察。这就是根据训练数据中包含的正常情况，为特征空间中的正常情况设定严格的阈值。图11显示了由单类支持向量机生成的阈值1101。所有位于这个阈值之外的数据点都被宣布为异常点，无论分类器的结果如何。为了可以与异常类型相关联，该标签分配有第二高的概率。

图12显示了根据一个实施例的方法1200的流程图。

用于电池管理的方法1200包括：作为第一方法步骤，获得1201在电池模块的第一电池单元上的第一电压波形和在电池模块的第二电池单元上的第二电压波形，其中，该第一电压波形具有第一电压波形部分和第二电压波形部分，该第二电压波形具有第三电压波形部分和第四电压波形部分。

该方法1200包括：作为第二方法步骤，根据第一电压波形和第二电压波形的电压平均值确定1203参考电压波形，该参考电压波形具有第一参考电压波形部分和第二参考电压波形部分。

方法1200包括：作为第三方法步骤，将第一电压波形与参考电压波形进行比较1205，以获得第一指标，该第一指标表明在第一电压波形部分与第一参考电压波形部分之间的第一电压偏差以及在第二电压波形部分与第二参考电压波形部分之间的第二电压偏差。

方法1200包括：作为第四方法步骤，将第二电压波形与参考电压波形进行比较1207，以获得第二指标，该第二指标表明在第三电压波形部分与第一参考电压波形部分之间的第三电压偏差以及在第四电压波形部分与第二参考电压波形部分之间的第四电压偏差。

方法1200包括，作为第五方法步骤，如果第一指标大于第二指标，则将第一电特征与第一电压波形部分相关联1209，并将第二电特征与第二电压波形部分相关联，以便通过第一电特征和第二电特征对电池模块进行分类。或者，作为第六方法步骤，如果第一指标小于第二指标，则将第三电特征与第三电压波形部分相关联1211，将第四电特征与第二电压波形部分相关联，以便通过第三电特征和第四电特征对电池模块进行分类。

附图标记列表

100 电池管理***

101 接口

103 处理器

105 存储器

200 定义的异常类型表

300 参数设置

301a 正常情况

301b 正常情况

301c 正常情况

301d 正常情况

303 异常情况

305 异常情况

307 异常情况

400 电压波形

401 触发点

403 插值范围

500 电压波形

501 非常规的信号波形

600离散小波变换(DWT)变换后的信号

700 电压波形

701 第一段

702 第二段

703 第三段

800 仿真的电压波形

801 参考信号

900 特征向量

1000 不同分类算法的结果表

1100 特征向量

1101 正常情况下的阈值

1200 用于电池管理的方法

1201 第一方法步骤：获得第一电压波形和第二电压波形

1203 第二方法步骤：确定参考电压波形

1205 第三方法步骤：将第一电压波形与参考电压波形进行比较

1207 第四方法步骤：将第二电压波形与参考电压波形进行比较

1209 第五方法步骤：将第一电特征与第一电压波形部分相关联，将第二电特征与第二电压波形部分相关联

1211 第六方法步骤：将第三电压波形部分与第三电特征相关联，将第四电压波形部分与第四电特征相关联

Claims (16)

1.一种用于对电池模块进行分类的电池管理***(100)，其中，所述电池模块具有第一电池单元和第二电池单元，所述电池管理***包括

接口(101)，所述接口用于获得第一电池单元上的第一电压波形和第二电池单元上的第二电压波形，其中，第一电压波形包括第一电压波形部分和第二电压波形部分，而第二电压波形包括第三电压波形部分和第四电压波形部分；

处理器(103)，该处理器被设计用于

根据第一电压波形和第二电压波形的电压平均值确定参考电压波形，该参考电压波形具有第一参考电压波形部分和第二参考电压波形部分；以及

将第一电压波形与参考电压波形进行比较，以获得第一指标，所述第一指标表明在第一电压波形部分与第一参考电压波形部分之间的第一电压偏差以及在第二电压波形部分与第二参考电压波形部分之间的第二电压偏差；

将第二电压波形与参考电压波形进行比较，以获得第二指标，所述第二指标表明在第三电压波形部分与第一参考电压波形部分之间的第三电压偏差以及在第四电压波形部分与第二参考电压波形部分之间的第四电压偏差；

如果第一指标大于第二指标，则将第一电压波形部分与第一电特征相关联，将第二电压波形部分与第二电特征相关联，以便通过第一电特征和第二电特征对电池模块进行分类；或

如果第一指标小于第二指标，则将第三电特征与第三电压波形部分相关联，并将第四电特征与第四电压波形部分相关联，以便通过第三电特征和第四电特征对电池模块进行分类。

2.根据权利要求1所述的电池管理***(100)，所述电池管理***包括存储器(105)，所述存储器被设计为用于存储多个电特征的存储器(105)，其中，处理器(103)被设计为从存储器(105)中读取相应的电特征。

3.根据前述权利要求中任一项所述的电池管理***(100)，其中，处理器(103)被设计为根据第一电压波形和第二电压波形来确定参考电压波形。

4.根据权利要求3所述的电池管理***(100)，其中，所述参考电压波形包括第一电压波形和第二电压波形的中值或平均值。

5.根据前述权利要求中任一项所述的电池管理***(100)，其中，电池模块包括第三电池单元，并且接口被设计为用于获得在第三电池单元上的第三电压波形，其中，处理器(103)被设计为基于第一电压波形、第二电压波形和第三电压波形确定参考电压波形。

6.根据权利要求5所述的电池管理***(100)，其中，所述参考电压波形包括第一电压波形、第二电压波形和第三电压波形的中值、平均值或众数。

7.根据前述权利要求中的任一项所述的电池管理***(100)，其中，处理器(103)被设计为:

使用主成分分析法，根据第一电压波形的第一电压波形部分确定第一电特征并且根据第一电压波形的第二电压波形部分确定第二电特征，其中第一电特征代表第一电压波形的第一电压波形部分，第二电特征代表第一电压波形的第二电压波形部分，和/或

通过主成分分析，根据第二电压波形的第三电压波形部分确定第三电特征，根据第二电压波形的第四电压波形部分确定第四电特征，其中第三电特征代表第二电压波形的第三电压波形部分，第四电特征代表第二电压波形的第四电压波形部分。

8.根据前述权利要求中任一项所述的电池管理***(100)，其中，处理器(103)被设计为根据第一电压波形的第一电压波形部分确定第一电特征，根据第一电压波形的第二电压波形部分确定第二电特征，根据第二电压波形的第三电压波形部分确定第三电特征，根据第二电压波形的第四电压波形部分确定第四电特征。

9.根据权利要求1所述的电池管理***(100)，其中，第一电特征对应于第一电池单元的偏移电压，并且第三电特征对应于第二电池单元的另外的偏移电压，其中，第二电特征对应于第一电池单元的内阻，第四电特征对应于第二电池单元的另外的内阻。

10.根据前述权利要求中任一项所述的电池管理***(100)，其中，所述处理器(103)被设计为使用分类算法对电池模块进行分类，其中，所述分类算法包括逻辑回归、支持向量机、随机森林、多层感知器和单类支持向量机中的至少一个。

11.根据前述权利要求中任一项所述的电池管理***(100)，其中，接口(101)被设计为用于获得多个第一电压波形和多个第二电压波形，其中，多个第一电压波形中的每一个对应于多个电池模块之一的第一电池单元，多个第二电压波形中的每一个对应于多个电池模块之一的第二电池单元，其中，接口被设计用于无故障地操控多个电池模块，

其中，该处理器(103)被设计为对多个电池模块中的每个电池模块进行分类，以基于该分类形成参考组。

12.根据权利要求11所述的电池管理***(100)，其中，处理器(103)被设计为使用另外的分类算法对多个电池模块进行分类，其中，所述另外的分类算法包括逻辑回归、支持向量机、随机森林、多层感知器和单类支持向量机中的至少一种。

13.根据前述权利要求中任一项所述的电池管理***(100)，其中，第一电压波形具有第五电压波形部分，并且第二电压波形具有第六电压波形部分，其中，处理器(103)被设计为基于第一电压波形的第五电压波形部分提取第五特征，以及基于第二电压波形的第六电压波形部分提取第六特征。

14.根据权利要求13所述的电池管理***(100)，其中，第五特征对应于第一电池单元的容量，并且第六特征对应于第二电池单元的另外的容量。

15.根据前述权利要求中的任一项所述的电池管理***(100)，其中，接口(101)被设计为用于获得待生成的组的数量、另外的多个第一电压波形和另外的多个第二电压波形，其中，另外的多个第一电压波形中的每一个对应于另外的多个电池模块之一的第一电池单元，并且其中另外的多个第二电压波形中的每一个对应于另外的多个电池模块之一的第二电池单元。

其中，所述处理器(103)设计为通过分类算法将另外的多个电池模块中的每个电池模块分配到多个组中，其中，所述多个组的数量等于待生成的组的数量。

16.一种电池管理的方法(1200)，其中，所述方法(1200)包括以下步骤：

获得(1201)电池模块的第一电池单元上的第一电压波形和电池模块的第二电池单元上的第二电压波形，其中，第一电压波形具有第一电压波形部分和第二电压波形部分，并且，第二电压波形具有第三电压波形部分和第四电压波形部分；

根据第一电压波形和第二电压波形的电压平均值确定(1203)参考电压波形，其中，所述参考电压波形包括第一参考电压波形部分和第二参考电压波形部分；

将第一电压波形与参考电压波形进行比较(1205)，以获得第一指标，所述第一指标表明第一电压波形部分与第一参考电压波形部分之间的第一电压偏差以及第二电压波形部分与第二参考电压波形部分之间的第二电压偏差；

将第二电压波形与参考电压波形进行比较(1207)，以获得第二指标，所述第二指标表明在第三电压波形部分与第一参考电压波形部分之间的第三电压偏差以及在第四电压波形部分与第二参考电压波形部分之间的第四电压偏差；

如果第一指标大于第二指标，则将第一电压波形部分与第一电特征相关联，将第二电压波形部分与第二电特征相关联，以便根据第一电特征和第二电特征对电池模块进行分类；或

如果第一指标小于第二指标，则将第三电压波形部分与第三电特征相关联(1211)，将第四电压波形部分与第四电特征相关联，以便通过第三电特征和第四电特征对电池模块进行分类。

Images