CN116482540A - 电池电压不一致性的分析预测方法、装置及*** - Google Patents
电池电压不一致性的分析预测方法、装置及*** Download PDFInfo
- Publication number
- CN116482540A CN116482540A CN202310413341.0A CN202310413341A CN116482540A CN 116482540 A CN116482540 A CN 116482540A CN 202310413341 A CN202310413341 A CN 202310413341A CN 116482540 A CN116482540 A CN 116482540A
- Authority
- CN
- China
- Prior art keywords
- data
- soc
- voltage
- sequence data
- battery
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 65
- 230000002159 abnormal effect Effects 0.000 claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 29
- 230000017105 transposition Effects 0.000 claims abstract description 22
- 238000004590 computer program Methods 0.000 claims description 22
- 230000010354 integration Effects 0.000 claims description 21
- 238000013179 statistical model Methods 0.000 claims description 20
- 238000013507 mapping Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 15
- 238000010606 normalization Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000011160 research Methods 0.000 description 6
- 238000013500 data storage Methods 0.000 description 5
- 230000014509 gene expression Effects 0.000 description 5
- 238000012935 Averaging Methods 0.000 description 4
- 238000007599 discharging Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 238000007418 data mining Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
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]
- G01R31/3644—Constructional arrangements
- G01R31/3648—Constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
-
- 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]
- G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
-
- 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
- G01R31/386—Arrangements for measuring battery or accumulator variables using test-loads
-
- 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
- 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]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
-
- 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)
- Secondary Cells (AREA)
Abstract
本申请涉及一种电池电压不一致性的分析预测方法、装置及***。所述方法包括:通过对获取到的车辆的放电时序数据进行序列转置,生成目标SOC序列数据;并对目标SOC序列数据进行标准化,得到包括标准化电池电芯电压数据的标准化SOC序列数据;获取标准化电池电芯电压数据对应的电压指标数据,基于电压指标数据,确定出分析预测结果。采用本方法能够克服对于数据的完整充放电周期的依赖问题;进一步地,通过基于完成标准化处理的数据,确定出分析预测结果,以此减少在分析预测中发生异常的漏报或误报的情况,提升分析预测的准确性。
Description
技术领域
本申请涉及电池技术领域,特别是涉及一种电池电压不一致性的分析预测方法、装置及***。
背景技术
在电池异常故障的判断中,电池不一致性是一种有效的故障判断依据,而电压作为电池不一致性重要的表征量之一,能够最为直观的体现电池的一致性状态。
然而,传统的关于电池电压不一致性的分析预测方法往往依据时序数据进行分析,对于数据的完整充电或放电周期有较大的依赖;而基于高频数据的分析判断,则局限于车端数据的采集频率,进而导致对电池电压不一致性进行分析预测的过程中容易发生异常的漏报或误报,降低分析预测的准确性。
发明内容
基于此,有必要针对上述技术问题,提供一种能够克服对于数据的完整充放电周期的依赖问题,以及减少发生异常的漏报或误报的情况,提升分析预测的准确性的电池电压不一致性的分析预测方法、装置及***。
第一方面,本申请提供了一种电池电压不一致性的分析预测方法。方法包括:
获取车辆的放电时序数据,对放电时序数据进行序列转置,生成目标SOC序列数据;
对目标SOC序列数据进行标准化,得到标准化SOC序列数据;标准化SOC序列数据包括标准化电池电芯电压数据;
获取标准化电池电芯电压数据对应的电压指标数据,基于电压指标数据,确定出分析预测结果。
在其中一个实施例中,放电时序数据包括车辆处于放电状态下,按时序排列的SOC值、电池数据和工作数据;
对放电时序数据进行序列转置,生成目标SOC序列数据的步骤,包括:
对放电时序数据进行汇整,得到初始SOC序列数据;初始SOC序列数据中按时序排列的各SOC值与经汇整后的电池数据分别一一对应,且与经汇整后的工作数据分别一一对应;
按照预设SOC间隔,对初始SOC序列数据进行数据汇整,生成目标SOC序列数据;其中,目标SOC序列数据中按预设SOC间隔划分得到的各SOC值,分别与经数据汇整后的电池数据一一对应,且分别与经数据汇整后的工作数据一一对应。
在其中一个实施例中,预设SOC间隔为根据经汇整后的SOC值所对应的计量单位,以及SOC值中的最大值和最小值得到;
数据汇整包括对汇整后的电池数据进行取平均值操作、取最大值操作或取最小值操作,以及对汇整后的工作数据进行取平均值操作、取最大值操作或取最小值操作。
在其中一个实施例中,方法还包括:
在目标SOC序列数据存在数据缺失的情况下,基于统计模型对目标SOC序列数据进行数据填补。
在其中一个实施例中,电池数据包括各电芯的电芯电压、电芯电流以及电芯温度;工作数据包括车辆的行驶里程。
在其中一个实施例中,对目标SOC序列数据进行标准化,得到标准化SOC序列数据的步骤,包括:
采用映射模型对目标数据进行估算处理,得到电芯电压估算值;其中,映射模型包括经训练得到的统计模型、机器学习模型中的一种或多种;目标数据包括目标SOC序列数据中的SOC值、电池数据和工作数据;
对目标SOC序列数据中的电芯电压和电芯电压估算值进行求差处理,得到标准化电池电芯电压数据;
基于标准化电池电芯电压数据对目标SOC序列数据进行处理,生成标准化SOC序列数据;其中,标准化SOC序列数据中的各SOC值与标准化电池电芯电压数据分别一一对应。
在其中一个实施例中,获取标准化电池电芯电压数据对应的电压指标数据的步骤,包括:
确定标准化SOC序列数据对应的包络线数据;其中,包络线数据包括上包络线和下包络线;
基于滑动窗口统计模型、上包络线和下包络线,确定电压指标数据。
在其中一个实施例中,分析预测结果包括异常电压指标数据;方法还包括:
对电压指标数据进行聚类处理,获得异常电压指标数据。
在其中一个实施例中,方法还包括:
按照大小顺序对放电时序数据中同一电池的各电芯的电芯电压进行排序,并对每两个相邻的电芯电压进行求差处理,获得多个电芯电压差;
比较各电芯电压差,将各电芯电压差中的最大值确认为电芯异常程度信息。
第二方面,本申请还提供了一种电池电压不一致性的分析预测装置。装置包括:
序列转置模块,用于获取车辆的放电时序数据,对放电时序数据进行序列转置,生成目标SOC序列数据;
数据标准化模块,用于对目标SOC序列数据进行标准化,得到标准化SOC序列数据;标准化SOC序列数据包括标准化电池电芯电压数据;
分析预测模块,用于获取标准化电池电芯电压数据对应的电压指标数据,基于电压指标数据,确定出分析预测结果。
第三方面,本申请还提供了一种计算机设备。计算机设备包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现上述电池电压不一致性的分析预测方法。
第四方面,本申请还提供了一种电池电压不一致性的分析预测***。包括上述的计算机设备,还包括云服务器和分布式数据库;
计算机设备获取分布式数据库中相应的数据,计算机设备确定并输出分析预测结果至云服务器。
在其中一个实施例中,***还包括堡垒机对外服务器和终端;
计算机设备通过堡垒机对外服务器输出分析预测结果至云服务器;
云服务器输出分析预测结果至终端。
第五方面,本申请还提供了一种计算机可读存储介质。计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述电池电压不一致性的分析预测方法。
第六方面,本申请还提供了一种计算机程序产品。计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述电池电压不一致性的分析预测方法。
上述电池电压不一致性的分析预测方法、装置及***,通过对获取到的车辆的放电时序数据进行序列转置,生成目标SOC序列数据;并对目标SOC序列数据进行标准化,得到包括标准化电池电芯电压数据的标准化SOC序列数据;获取标准化电池电芯电压数据对应的电压指标数据,基于电压指标数据,确定出分析预测结果;本申请采用序列转置的方式将放电时序数据转换为目标SOC序列数据,以此克服了对于数据的完整充放电周期的依赖问题;进一步地,本申请通过基于完成标准化处理的数据,确定出分析预测结果,以此减少在分析预测中发生异常的漏报或误报的情况,提升分析预测的准确性。
附图说明
图1为一个实施例中电池电压不一致性的分析预测方法的应用环境图;
图2为一个实施例中电池电压不一致性的分析预测方法的流程示意图;
图3为一个实施例中车端时序数据的部分数据示意图;
图4为一个实施例中放电时序数据的部分数据示意图;
图5为一个实施例中初始SOC序列数据的部分数据示意图;
图6为一个实施例中与图5相对应的单一电芯电压的时序示意图;
图7为一个实施例中经数据汇整后的电池数据以及SOC值的部分数据示意图;
图8为一个实施例中目标SOC序列数据的部分数据示意图;
图9为一个实施例中分别与目标SOC序列数据和标准化SOC序列数据相对应的SOC-OCV曲线的示意图;
图10为一个实施例中标准化SOC序列数据中的SOC-OCV曲线的示意图;
图11为一个实施例中电池电压不一致性的分析预测装置的结构框图;
图12为一个实施例中计算机设备的内部结构图;
图13为一个实施例中电池电压不一致性的分析预测***得推送时序图。
具体实施方式
为了便于理解本申请,下面将参照相关附图对本申请进行更全面的描述。附图中给出了本申请的实施例。但是,本申请可以以许多不同的形式来实现,并不限于本文所描述的实施例。相反地,提供这些实施例的目的是使本申请的公开内容更加透彻全面。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请。
可以理解,应当说明的是,本申请中的术语“第一”和“第二”等是用于区别不同对象,而不是用于描述特定顺序。
在此使用时,单数形式的“一”、“一个”和“所述/该”也可以包括复数形式,除非上下文清楚指出另外的方式。还应当理解的是,术语“包括/包含”或“具有”等指定所陈述的特征、整体、步骤、操作、组件、部分或它们的组合的存在,但是不排除存在或添加一个或更多个其他特征、整体、步骤、操作、组件、部分或它们的组合的可能性。
目前,电池作为可充电电车的核心之一,判断电池的故障情形成为一项重要的技术目标。现有国内及国外的电池故障判断的研究已取得相当的成果,常用的电池异常判断方式包括直接测量法、电池模型的异常判断故障码、及基于数据挖掘的分析方法等;而在电池异常故障的判断中,电池的不一致性,是一种有效的故障判断依据。
在电池不一致性(一致性)的分析研究中,包括:①基于温度差异分析对电池一致性的影响;②使用DBSCAN(Density-Based Spatial Clustering of Applications withNoise,基于密度的聚类算法)聚类算法判断异常电池单体;③基于数据挖掘的分析方法中,使用ARIMA(Autoregressive Integrated Moving Average Model,差分自回归移动平均模型)时序模型来判断动力电池的不一致性;④基于数据挖掘的分析方法中,使用包络线的算法进行电池一致性的异常判断。然而,上述的方法多为依据时序数据进行分析,通常对于数据的完整充电或放电周期有较大的依赖;而基于高频数据的分析判断,则局限于车端数据的采集频率;导致研究成果在实际落地场景中容易遇到不少困难,例如:现有方法中主要分析的是实验室筛选过的较完整的放电周期数据、较一致的放电速度,而实际生活中新能源车的用户不一定会在连续时间内进行完整的充电或放电、不一定会使用一致的车速控制放电速度,致使研究成果落地应用时,可能存在放电周期不完整、数据不符合判断条件等的风险,进而导致提高预警漏判的风险,发生异常的漏报或误报,降低分析预测的准确性。
而本申请通过采用序列转置的方式将放电时序数据转换为目标SOC序列数据,以此克服了对于数据的完整充放电周期的依赖问题;进一步地,本申请通过基于完成标准化处理的数据,确定出分析预测结果,以此减少发生异常的漏报或误报的情况,提升分析预测的准确性;此外,本申请还可以结合其他时间序列的研究成果如BP(Back Propagation,反向传播)神经网络模型、包络线算法、或其他深度学习算法模型,以提升预测的准确性;本申请可以适用于多种电池的电芯电压不一致的分析。
本申请实施例提供的电池电压不一致性的分析预测方法,可以应用于如图1所示的应用环境中。其中,计算机设备102通过网络与云服务器104进行通信。数据存储***可以存储计算机设备102需要处理的数据。数据存储***可以集成在计算机设备102中,也可以放在其他网络服务器上。计算机设备102获取存储在数据存储***中的车辆的放电时序数据,通过采用序列转置及标准化处理的方式,得到包括标准化电池电芯电压数据的标准化SOC(State-of-Charge,电池剩余电量)序列数据,计算机设备102获取标准化电池电芯电压数据对应的电压指标数据,基于电压指标数据,确定出分析预测结果,并将分析预测结果输出至云服务器104。其中,计算机设备102可以但不限于是配置有统计分析***的运算服务器;云服务器104可以用独立的云服务器或者是多个云服务器组成的云服务器集群来实现。
在一个实施例中,如图2所示,提供了一种电池电压不一致性的分析预测方法,以该方法应用于图1中的计算机设备为例进行说明,包括以下步骤:
S202,获取车辆的放电时序数据,对放电时序数据进行序列转置,生成目标SOC序列数据;
具体而言,计算机设备获取存储在数据存储***中的车端时序数据,车端时序数据可以包括车辆的按时序排列的SOC值、电池数据和工作数据;计算机设备可以对车端时序数据进行数据清洗、数据过滤、及数据预处理,以生成放电时序数据。
进一步地,如图3所示,图3以车端时序数据中按时序(日期时间)排列的电池数据中的电芯电压为例进行说明,计算机设备根据电池数据(电芯电压)确定车辆的充放电状态,以此将车辆处于放电状态下按时序排列的SOC值(SOC)、电池数据(电芯电压)和工作数据从车端时序数据中块取出,放电时序数据可以为图3黑框中框出的数据。计算机设备获取到放电时序数据,对放电时序数据进行相应的数据处理,生成目标SOC序列数据。
在其中一个实施例中,电池数据包括各电芯的电芯电压、电芯电流以及电芯温度;工作数据包括车辆的行驶里程。
具体地,电池数据可以指用于表征电池状态的数据,例如:电池单体电芯电压、电流和温度;工作数据可以指用于表征车辆工作状态的数据,例如:车辆的行驶里程;电池中可以配置多个单体电芯,每个电池可以对应单个SOC值以及多个电芯电压,进一步地,每个电池还可以包括多个电芯电流、电芯温度。
在其中一个实施例中,放电时序数据包括车辆处于放电状态下,按时序排列的SOC值、电池数据和工作数据;
对放电时序数据进行序列转置,生成目标SOC序列数据的步骤,包括:
对放电时序数据进行汇整,得到初始SOC序列数据;初始SOC序列数据中按时序排列的各SOC值与经汇整后的电池数据分别一一对应,且与经汇整后的工作数据分别一一对应;
按照预设SOC间隔,对初始SOC序列数据进行数据汇整,生成目标SOC序列数据;其中,目标SOC序列数据中按预设SOC间隔划分得到的各SOC值,分别与经数据汇整后的电池数据一一对应,且分别与经数据汇整后的工作数据一一对应。
其中,汇整可以包括分别对电池数据和工作数据进行取平均值操作、取最大值操作或取最小值操作。
具体地,如图4所示,图4展示了部分放电时序数据,需要说明的是,电池中可以配置多个单体电芯,每个电池可以对应单个SOC值以及多个单体电芯电压(图4中的电芯1、电芯2……电芯168);此外,每个电池还可以包括多个单体电芯电流、温度(图4中未示出),在本申请实施例中不做限定。
计算机设备对放电时序数据进行汇整,可以指计算机设备对放电时序数据中的电池数据(多个单体电芯电压、电流、温度)和工作数据进行汇整,得到初始SOC序列数据。
在一些示例中,图5示出了部分初始SOC序列数据;初始SOC序列数据中按时序排列的各SOC值与经汇整后的电池数据(电芯电压)分别一一对应,且与经汇整后的工作数据(图5中未示出)分别一一对应。
进一步地,如图6所示,图6为与图5相对应的单一电芯电压的时序示意图,以及SOC值的时序示意图,其中,单一电芯电压的时序示意图由实线表示,SOC值的时序示意图由虚线表示;由图6可以看出,电芯电压下降速度越快则SOC值下降速度越快,即,放电速度越快则SOC值下降速度越快。
需要说明的是,在初始SOC序列数据中存在多个电池的SOC值相同的情况下,计算机设备对各相同SOC值对应的电池数据和工作数据进行数据汇整,以使各不同的SOC值以预设SOC间隔进行排序,并生成目标SOC序列数据,图7示例性的展示了部分经数据汇整后的电池数据以及SOC值;其中,预设SOC间隔可以根据实际情况进行设定,在本申请实施例中不做限定。
在本申请实施例中,通过对放电时序数据进行序列转置,生成目标SOC序列数据,解决了时序数据的电池放电存在放电速度不一致,放电数据不连续的问题,且每一笔序列数据的剩余电量(SOC值)的变化量根据预设SOC间隔进行固定,即,放电速度受到了剩余电量的变化量的限制而可控,同时也解决了时间上放电不连续的问题,以此克服了对于数据的完整充放电周期的依赖问题。
在其中一个实施例中,预设SOC间隔为根据经汇整后的SOC值所对应的计量单位,以及SOC值中的最大值和最小值得到;
数据汇整包括对汇整后的电池数据进行取平均值操作、取最大值操作或取最小值操作,以及对汇整后的工作数据进行取平均值操作、取最大值操作或取最小值操作。
具体地,预设SOC间隔为根据经汇整后的SOC值所对应的计量单位,以及SOC值中的最大值和最小值进行合理设置得到的,本申请实施例中,以SOC值所对应的计量单位为小数点后两位,及预设SOC间隔为0.02为例进行说明。如图8所示,图8示例性的展示了部分目标SOC序列数据。
进一步地,数据汇整可以指通过统计学常见方式对汇整后的电池数据、工作数据进行数据汇整,包括但不限于取平均值操作、取最大值操作或取最小值操作。
在本申请实施例中,通过设置预设SOC间隔,使得SOC值的变化量为确定值,解决了时间序列上放电数据不连续的问题;通过数据汇整,使得目标SOC序列数据中按预设SOC间隔划分得到的各SOC值,分别与经数据汇整后的电池数据一一对应,且分别与经数据汇整后的工作数据一一对应,提升了分析预测的准确性。
在其中一个实施例中,方法还包括:
在目标SOC序列数据存在数据缺失的情况下,基于统计模型对目标SOC序列数据进行数据填补。
具体的,计算机设备在检测到目标SOC序列数据存在数据缺失的情况下,可以基于统计模型对目标SOC序列数据进行数据填补;统计模型可以指应用统计方式并具备数据填补功能的统计模型,统计方式可以包括向前填补、向后填补,以及线性填补。
在本申请实施例中,通过在目标SOC序列数据存在数据缺失的情况下进行数据填补,保证了数据的完整性,以此减少在分析预测中发生异常的漏报或误报的情况,提升分析预测的准确性。
S204,对目标SOC序列数据进行标准化,得到标准化SOC序列数据;标准化SOC序列数据包括标准化电池电芯电压数据;
具体而言,由于电池的电芯电压,在电池容量不同的情况下,电芯电压的数值在统计上存在一定的差异,计算机设备通过对目标SOC序列数据进行标准化,得到标准化SOC序列数据,以此消除差异,减少在分析预测中发生异常的漏报或误报的情况,提升分析预测的准确性。
在其中一个实施例中,对目标SOC序列数据进行标准化,得到标准化SOC序列数据的步骤,包括:
采用映射模型对目标数据进行估算处理,得到电芯电压估算值;其中,映射模型包括经训练得到的统计模型、机器学习模型中的一种或多种;目标数据包括目标SOC序列数据中的SOC值、电池数据和工作数据;
对目标SOC序列数据中的电芯电压和电芯电压估算值进行求差处理,得到标准化电池电芯电压数据;
基于标准化电池电芯电压数据对目标SOC序列数据进行处理,生成标准化SOC序列数据;其中,标准化SOC序列数据中的各SOC值与标准化电池电芯电压数据分别一一对应。
具体地,映射模型可以包括经训练得到的统计模型、机器学习模型中的一种或多种,以统计模型为例进行说明,依据大数据将目标SOC序列数据中的SOC值、电池数据和工作数据进行统计聚合并建模,以取得相应的映射模型,之后应用该映射模型时可以通过输入相应的数据,例如:目标SOC序列数据中的SOC值、电池数据和工作数据,取得电芯电压估算值;应用该映射模型的方式可以包括依据输入相应的数据进行查表,取得电芯电压估算值。
计算机设备在得到电芯电压估算值的情况下,对目标SOC序列数据中的电芯电压和电芯电压估算值进行求差处理,得到标准化电池电芯电压数据。
在一些示例中,计算机设备可以下列式子获取标准化电池电芯电压数据:
电芯电压估算值=f(电芯电流,电芯温度,SOC值,行驶里程)
电芯电压标准化=电芯电压原始值-电芯电压估算值
其中,电芯电压标准化表示为标准化电池电芯电压数据;电芯电压原始值表示为目标SOC序列数据中的电芯电压;电芯电压估算值表示为电芯电压估算值;f()表示为映射模型。
在一些示例中,f()还可以表示为SOC-OCV函数关系表达式,计算机设备可以基于目标SOC序列数据中的SOC值和SOC-OCV函数关系表达式,确定出电芯电压估算值。
进一步地,计算机设备基于标准化电池电芯电压数据对目标SOC序列数据进行处理,处理的过程可以为将目标SOC序列数据中的电芯电压替换为对应的标准化电池电芯电压数据。在其中一个实施例中,如图9所示,目标SOC序列数据可以包括对应的SOC-OCV曲线,标准化SOC序列数据可以包括对应的SOC-OCV曲线,即,SOC-OCV曲线中的各SOC值与标准化电池电芯电压数据分别一一对应;图9中的左图表示为目标SOC序列数据中的SOC-OCV曲线,图9中的右图表示为标准化SOC序列数据中的SOC-OCV曲线。
需要说明的是,图9中的右图在电芯电压(标准化电池电芯电压数据)为1的情况下加绘了一条虚线。
在本申请实施例中,通过标准化处理,减少了电芯电压在不同电池容量的情况下的数值统计上存在的差异,提升分析预测的准确性。
S206,获取标准化电池电芯电压数据对应的电压指标数据,基于电压指标数据,确定出分析预测结果。
具体而言,计算机设备可以根据获取到的标准化SOC序列数据中的SOC-OCV曲线,来确定标准化电池电芯电压数据对应的电压指标数据;计算机设备根据电压指标数据来确定出电池电压不一致性的分析预测结果。
在其中一个实施例中,获取标准化电池电芯电压数据对应的电压指标数据的步骤,包括:
确定标准化SOC序列数据对应的包络线数据;其中,包络线数据包括上包络线和下包络线;
基于滑动窗口统计模型、上包络线和下包络线,确定电压指标数据。
具体地,如图10所示,标准化SOC序列数据可以包括SOC-OCV曲线,计算机设备获得标准化SOC序列数据中SOC-OCV曲线对应的上包络线和下包络线,获取包络线数据的关系式包括如下所示的式子:
电压上包络线,电压下包络线=f包络线(电芯电压标准化)
其中,电压上包络线表示为标准化SOC序列数据中SOC-OCV曲线对应的上包络线;电压下包络线表示为标准化SOC序列数据中SOC-OCV曲线对应的下包络线;电芯电压标准化表示为标准化电池电芯电压数据;f包络线()表示为用于计算包络线数据的函数表达式;需要说明的是,f包络线()可以表示为根据Rolling Smooth方式来确定包络线数据的函数表达式,也可以表示为其他能够确定出包络线数据的函数表达式,在本申请实施例中不做限定。
在一些示例中,计算机设备可以根据滑动窗口统计模型、上包络线和下包络线来确定电压指标数据,滑动窗口统计模型中的部分式子如下所示:
电压上滑窗平均=f滑窗平均(电压上包络线)
电压上滑窗最大值=f滑窗最大值(电压上包络线)
电压上滑窗最小值=f滑窗最小值(电压上包络线)
其中,m表示电芯编号,n表示电池电芯数量;需要说明的是,用于确定电压指标数据的上式示例性的展示了部分电压指标数据,其他更多的电压指标数据在本申请实施例中不做限定,指标一m、指标二m……指标六m可以指用于后续进行电压不一致性进一步判断的依据,在此不作赘述。
在本申请实施例中,通过获取标准化SOC序列数据对应的包络线数据,并基于滑动窗口统计模型和包络线数据确定电压指标数据,即,本申请实施例中将时间序列计算中的包络线数据、电压指标数据等时间序列分析方法,沿用到SOC序列(标准化SOC序列数据)的分析方法上,提高研究成果应用于实际生活场景的可能性,提升分析预测的准确性。
在其中一个实施例中,分析预测结果包括异常电压指标数据;方法还包括:
对电压指标数据进行聚类处理,获得异常电压指标数据。
具体地,计算机设备可以采用DBSCAN(Density-Based Spatial Clustering ofApplications with Noise,基于密度的聚类算法)对电压指标数据进行聚类处理;此算法主要将数据依照数值的密度进行划分,当划分区块的数据数量达到阈值则可归类为一个类别,此算法对任意维度的数据分布都具有有效的聚类效果,并已广泛运用于各种领域。使用DBSCAN可以有效的将离群的电压指标数据分隔出来,即获得异常电压指标数据。
在本申请实施例中,通过对电压指标数据进行聚类处理,获得分析预测结果(异常电压指标数据),以此减少在分析预测中发生异常的漏报或误报的情况,提升分析预测的准确性。
在其中一个实施例中,方法还包括:
按照大小顺序对放电时序数据中同一电池的各电芯的电芯电压进行排序,并对每两个相邻的电芯电压进行求差处理,获得多个电芯电压差;
比较各电芯电压差,将各电芯电压差中的最大值确认为电芯异常程度信息。
其中,异常程度信息可以包括电池的异常程度,即电池中一致性最差的电芯的健康值,可以等同于电池的健康值。
具体地,计算机设备先按照大小顺序对放电时序数据中同一电池的各电芯的电芯电压进行排序,并对每两个相邻的电芯电压进行求差处理,并比较各电芯电压差,将各电芯电压差中的最大值确认为电芯异常程度信息;确认电芯异常程度信息的式子可以如下所示:
异常程度=Max(电芯电压a-电芯电压b)where a,b
其中,a与b分别表示同一个电池不同电芯的电芯编号,为了便于本领域人员的理解,下面结合一个具体实施例予以说明:两两电芯电压差(离群压差)的计算方式,需先将电芯电压进行排序再计算,例如总共有五个电芯,则分别计算电芯1和电芯2、电芯2和电芯3、电芯3和电芯4、电芯4和电芯5,得到4个压差值,再取4个压差值中的最大值,即为异常程度。
在一些示例中,计算机设备可以配置有排程任务的自动异常统计***,自动异常统计***可以使用排程任务,统计异常现象,并依据配置的条件归类异常等级,例如:当异常程度大于β1时归类为一级预警;当异常程度大于β2时归类为二级预警;当异常程度大于β3时归类为三级预警;当异常程度大于β4时归类为四级预警;当异常程度大于β5时归类为五级预警;当异常程度大于β6时归类为六级预警。其中,β1、β2、……β6可以根据实际情况进行设定,在本申请实施例中不做限定。
在另一些示例中,计算机设备还可以配置有云服务异常预警推送***,云服务异常预警推送***可以使用云服务进行异常的预警推送,推送内容包含车辆基础信息例如:时间、车型、温度、行驶里程等;及异常相关信息例如:异常电芯编号、异常程度等。
在本申请实施例中,相比于传统方法中的直接测量方法,动力电池厂商需要将车辆招回,电池拆下静置,测量开路电压,才能判断电芯电压的不一致性;本申请实施例可以确认出电芯异常程度信息后,使用云服务进行异常的预警推送,实现实时监控云端数据,不需要将车辆招回即可远程判断异常情形。
上述电池电压不一致性的分析预测方法中,采用序列转置的方式将放电时序数据转换为目标SOC序列数据,以此克服了对于数据的完整充放电周期的依赖问题;进一步地,基于完成标准化处理的数据,确定出分析预测结果,以此减少在分析预测中发生异常的漏报或误报的情况,提升分析预测的准确性;此外,通过将时间序列计算中的包络线数据、电压指标数据等时间序列分析方法,沿用到目标SOC序列数据的分析方法上,提高研究成果应用于实际生活场景的可能性。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的电池电压不一致性的分析预测方法的电池电压不一致性的分析预测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个电池电压不一致性的分析预测装置实施例中的具体限定可以参见上文中对于电池电压不一致性的分析预测方法的限定,在此不再赘述。
在一个实施例中,如图11所示,提供了一种电池电压不一致性的分析预测装置1100,包括:
序列转置模块1101,用于获取车辆的放电时序数据,对放电时序数据进行序列转置,生成目标SOC序列数据;
数据标准化模块1102,用于对目标SOC序列数据进行标准化,得到标准化SOC序列数据;标准化SOC序列数据包括标准化电池电芯电压数据;
分析预测模块1103,用于获取标准化电池电芯电压数据对应的电压指标数据,基于电压指标数据,确定出分析预测结果。
在其中一个实施例中,放电时序数据包括车辆处于放电状态下,按时序排列的SOC值、电池数据和工作数据;
序列转置模块1101,用于对放电时序数据进行汇整,得到初始SOC序列数据;初始SOC序列数据中按时序排列的各SOC值与经汇整后的电池数据分别一一对应,且与经汇整后的工作数据分别一一对应;
序列转置模块1101,用于按照预设SOC间隔,对初始SOC序列数据进行数据汇整,生成目标SOC序列数据;其中,目标SOC序列数据中按预设SOC间隔划分得到的各SOC值,分别与经数据汇整后的电池数据一一对应,且分别与经数据汇整后的工作数据一一对应。
在其中一个实施例中,预设SOC间隔为根据经汇整后的SOC值所对应的计量单位,以及SOC值中的最大值和最小值得到;
数据汇整包括对汇整后的电池数据进行取平均值操作、取最大值操作或取最小值操作,以及对汇整后的工作数据进行取平均值操作、取最大值操作或取最小值操作。
在其中一个实施例中,序列转置模块1101,还用于在目标SOC序列数据存在数据缺失的情况下,基于统计模型对目标SOC序列数据进行数据填补。
在其中一个实施例中,电池数据包括各电芯的电芯电压、电芯电流以及电芯温度;工作数据包括车辆的行驶里程。
在其中一个实施例中,数据标准化模块1102,用于采用映射模型对目标数据进行估算处理,得到电芯电压估算值;其中,映射模型包括经训练得到的统计模型、机器学习模型中的一种或多种;目标数据包括目标SOC序列数据中的SOC值、电池数据和工作数据;
数据标准化模块1102,还用于对目标SOC序列数据中的电芯电压和电芯电压估算值进行求差处理,得到标准化电池电芯电压数据;
数据标准化模块1102,害用于基于标准化电池电芯电压数据对目标SOC序列数据进行处理,生成标准化SOC序列数据;其中,标准化SOC序列数据中的各SOC值与标准化电池电芯电压数据分别一一对应。
在其中一个实施例中,分析预测模块1103,用于确定标准化SOC序列数据对应的包络线数据;其中,包络线数据包括上包络线和下包络线;基于滑动窗口统计模型、上包络线和下包络线,确定电压指标数据。
在其中一个实施例中,分析预测结果包括异常电压指标数据;分析预测模块1103,还用于对电压指标数据进行聚类处理,获得异常电压指标数据。
在其中一个实施例中,分析预测模块1103,还用于按照大小顺序对放电时序数据中同一电池的各电芯的电芯电压进行排序,并对每两个相邻的电芯电压进行求差处理,获得多个电芯电压差;比较各电芯电压差,将各电芯电压差中的最大值确认为电芯异常程度信息。
上述电池电压不一致性的分析预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图12所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过***总线连接,通信接口通过输入/输出接口连接到***总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储放电时序数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种池电压不一致性的分析预测方法。
本领域技术人员可以理解,图12中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述电池电压不一致性的分析预测方法。
在一些示例中,计算机设备可以为配置有统计分析***的运算服务器。
在一个实施例中,提供了一种电池电压不一致性的分析预测***。包括上述的计算机设备,还包括云服务器和分布式数据库;
计算机设备获取分布式数据库中相应的数据,计算机设备确定并输出分析预测结果至云服务器。
具体而言,分布式数据库可以设置在数据存储***中,分布式数据库可以用于存储结构化实时的车端时序数据,并将车端时序数据输出至计算机设备;计算机设备获取车端时序数据并进行相应的数据处理,确定并输出分析预测结果至云服务器。
在其中一个实施例中,如图13所示,***还包括堡垒机对外服务器和终端;
计算机设备通过堡垒机对外服务器输出分析预测结果至云服务器;
云服务器输出分析预测结果至终端。
具体而言,如图13所示,运算服务器发送请求至分布式数据库以进行取数,分布式数据库返回数据内容(车端时序数据)至运算服务器;运算服务器对车端时序数据及批量统计分析,并产出分析结果(分析预测结果);运算服务器将分析结果进行信息加密传输,调用相应的推送接口输出至堡垒机对外服务器;堡垒机对外服务器对分析结果进行信息加密传输,调用相应的推送接口输出云服务器;云服务器基于分析结果,推送预警至终端。
需要说明的是,终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。
在本申请实施例中,电池电压不一致性的分析预测***通过配置分布式数据库、计算机设备、堡垒机对外服务器、云服务器和终端;实现了实时监控云端数据(分布式数据库中车端时序数据),使得终端不需要将车辆招回即可远程获取车辆的异常情形(分析预测结果)。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述电池电压不一致性的分析预测方法。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述电池电压不一致性的分析预测方法。
需要说明的是,本申请所涉及的数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (15)
1.一种电池电压不一致性的分析预测方法,其特征在于,所述方法包括:
获取车辆的放电时序数据,对所述放电时序数据进行序列转置,生成目标SOC序列数据;
对所述目标SOC序列数据进行标准化,得到标准化SOC序列数据;所述标准化SOC序列数据包括标准化电池电芯电压数据;
获取所述标准化电池电芯电压数据对应的电压指标数据,基于所述电压指标数据,确定出分析预测结果。
2.根据权利要求1所述的方法,其特征在于,所述放电时序数据包括所述车辆处于放电状态下,按时序排列的SOC值、电池数据和工作数据;
所述对所述放电时序数据进行序列转置,生成目标SOC序列数据的步骤,包括:
对所述放电时序数据进行汇整,得到初始SOC序列数据;所述初始SOC序列数据中按时序排列的各所述SOC值与经汇整后的所述电池数据分别一一对应,且与经汇整后的所述工作数据分别一一对应;
按照预设SOC间隔,对所述初始SOC序列数据进行数据汇整,生成所述目标SOC序列数据;其中,所述目标SOC序列数据中按所述预设SOC间隔划分得到的各SOC值,分别与经数据汇整后的所述电池数据一一对应,且分别与经数据汇整后的所述工作数据一一对应。
3.根据权利要求2所述的方法,其特征在于,所述预设SOC间隔为根据经汇整后的所述SOC值所对应的计量单位,以及所述SOC值中的最大值和最小值得到;
所述数据汇整包括对所述汇整后的所述电池数据进行取平均值操作、取最大值操作或取最小值操作,以及对所述汇整后的所述工作数据进行取平均值操作、取最大值操作或取最小值操作。
4.根据权利要求2所述的方法,其特征在于,所述方法还包括:
在所述目标SOC序列数据存在数据缺失的情况下,基于统计模型对所述目标SOC序列数据进行数据填补。
5.根据权利要求2至4任一项所述的方法,其特征在于,所述电池数据包括各电芯的电芯电压、电芯电流以及电芯温度;所述工作数据包括所述车辆的行驶里程。
6.根据权利要求1所述的方法,其特征在于,所述对所述目标SOC序列数据进行标准化,得到标准化SOC序列数据的步骤,包括:
采用映射模型对目标数据进行估算处理,得到电芯电压估算值;其中,所述映射模型包括经训练得到的统计模型、机器学习模型中的一种或多种;所述目标数据包括所述目标SOC序列数据中的SOC值、电池数据和工作数据;
对所述目标SOC序列数据中的电芯电压和所述电芯电压估算值进行求差处理,得到所述标准化电池电芯电压数据;
基于所述标准化电池电芯电压数据对所述目标SOC序列数据进行处理,生成所述标准化SOC序列数据;其中,所述标准化SOC序列数据中的各SOC值与所述标准化电池电芯电压数据分别一一对应。
7.根据权利要求1所述的方法,其特征在于,所述获取所述标准化电池电芯电压数据对应的电压指标数据的步骤,包括:
确定所述标准化SOC序列数据对应的包络线数据;其中,所述包络线数据包括上包络线和下包络线;
基于滑动窗口统计模型、所述上包络线和所述下包络线,确定所述电压指标数据。
8.根据权利要求1或7所述的方法,其特征在于,所述分析预测结果包括异常电压指标数据;所述方法还包括:
对所述电压指标数据进行聚类处理,获得所述异常电压指标数据。
9.根据权利要求1所述的方法,其特征在于,所述方法还包括:
按照大小顺序对所述放电时序数据中同一电池的各电芯的电芯电压进行排序,并对每两个相邻的所述电芯电压进行求差处理,获得多个电芯电压差;
比较各所述电芯电压差,将各所述电芯电压差中的最大值确认为电芯异常程度信息。
10.一种电池电压不一致性的分析预测装置,其特征在于,所述装置包括:
序列转置模块,用于获取车辆的放电时序数据,对所述放电时序数据进行序列转置,生成目标SOC序列数据;
数据标准化模块,用于对所述目标SOC序列数据进行标准化,得到标准化SOC序列数据;所述标准化SOC序列数据包括标准化电池电芯电压数据;
分析预测模块,用于获取所述标准化电池电芯电压数据对应的电压指标数据,基于所述电压指标数据,确定出分析预测结果。
11.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至9中任一项所述的方法的步骤。
12.一种电池电压不一致性的分析预测***,其特征在于,包括权利要求11所述的计算机设备,还包括云服务器和分布式数据库;
所述计算机设备获取所述分布式数据库中相应的数据,所述计算机设备确定并输出分析预测结果至所述云服务器。
13.根据权利要求12所述的***,其特征在于,所述***还包括堡垒机对外服务器和终端;
所述计算机设备通过所述堡垒机对外服务器输出所述分析预测结果至所述云服务器;
所述云服务器输出所述分析预测结果至所述终端。
14.一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,所述计算机程序被处理器执行时实现权利要求1至9中任一项所述的方法的步骤。
15.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至9中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310413341.0A CN116482540A (zh) | 2023-04-17 | 2023-04-17 | 电池电压不一致性的分析预测方法、装置及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310413341.0A CN116482540A (zh) | 2023-04-17 | 2023-04-17 | 电池电压不一致性的分析预测方法、装置及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116482540A true CN116482540A (zh) | 2023-07-25 |
Family
ID=87218893
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310413341.0A Pending CN116482540A (zh) | 2023-04-17 | 2023-04-17 | 电池电压不一致性的分析预测方法、装置及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116482540A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117341476A (zh) * | 2023-12-04 | 2024-01-05 | 湖南行必达网联科技有限公司 | 一种电池压差故障预警方法及*** |
CN117907844A (zh) * | 2024-03-19 | 2024-04-19 | 中国汽车技术研究中心有限公司 | 电池***内短路异常检测方法、电子设备及介质 |
-
2023
- 2023-04-17 CN CN202310413341.0A patent/CN116482540A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117341476A (zh) * | 2023-12-04 | 2024-01-05 | 湖南行必达网联科技有限公司 | 一种电池压差故障预警方法及*** |
CN117341476B (zh) * | 2023-12-04 | 2024-02-27 | 湖南行必达网联科技有限公司 | 一种电池压差故障预警方法及*** |
CN117907844A (zh) * | 2024-03-19 | 2024-04-19 | 中国汽车技术研究中心有限公司 | 电池***内短路异常检测方法、电子设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | Life prediction of lithium-ion batteries based on stacked denoising autoencoders | |
Cai et al. | An estimation model for state of health of lithium-ion batteries using energy-based features | |
CN111537884B (zh) | 获取动力电池寿命数据的方法、装置、计算机设备及介质 | |
CN113030763A (zh) | 一种车用动力电池一致性差异的潜在风险诊断*** | |
CN116609676B (zh) | 一种基于大数据处理的混合储能电池状态监控方法及*** | |
WO2023130659A1 (zh) | 商用电动车辆能耗预测方法、装置和计算机设备 | |
Chen et al. | A novel deep learning-based life prediction method for lithium-ion batteries with strong generalization capability under multiple cycle profiles | |
CN110850297A (zh) | 一种通过大数据预测轨交锂电池soh的方法 | |
CN116482540A (zh) | 电池电压不一致性的分析预测方法、装置及*** | |
CN115805810A (zh) | 电池故障预测方法、装置、设备、存储介质和程序产品 | |
CN113469571A (zh) | 数据质量评价方法、装置、计算机设备及可读存储介质 | |
CN117148177A (zh) | 电池动态一致性评价方法、装置和计算机设备 | |
CN117783745B (zh) | 用于换电柜的数据在线监测方法及*** | |
Bao et al. | Hybrid deep neural network with dimension attention for state-of-health estimation of lithium-ion batteries | |
Liu et al. | High-dimensional data abnormity detection based on improved Variance-of-Angle (VOA) algorithm for electric vehicles battery | |
CN117330987A (zh) | 基于时间的电池健康状态评估的方法、***、介质和设备 | |
CN117169761A (zh) | 电池状态评估方法、装置、设备、存储介质和程序产品 | |
CN114879054A (zh) | 一种电池安全监测方法、装置、电子设备及存储介质 | |
Liu et al. | Prediction method for battery self-discharge voltage drop based on pre-classifier | |
CN116774064B (zh) | 电池自放电检测方法、装置、设备和存储介质 | |
CN117341477B (zh) | 磷酸铁锂动力电池内短路预警方法、装置和计算机设备 | |
Chen et al. | Li-ion battery state-of-health estimation based on the combination of statistical and geometric features of the constant-voltage charging stage | |
Xu et al. | Prediction of Lithium-ion Battery Remaining Useful Life Based on Long Short Term Memory | |
CN118011240A (zh) | 电池的一致性的评估方法、装置、存储介质和计算机设备 | |
Kumar et al. | Vital health indicator based state of health estimation of lithium-ion battery by adaptive neuro-fuzzy inference system |
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 |