CN116679221A - 一种电池异常检测、电池维护管理方法和装置 - Google Patents
一种电池异常检测、电池维护管理方法和装置 Download PDFInfo
- Publication number
- CN116679221A CN116679221A CN202310450745.7A CN202310450745A CN116679221A CN 116679221 A CN116679221 A CN 116679221A CN 202310450745 A CN202310450745 A CN 202310450745A CN 116679221 A CN116679221 A CN 116679221A
- Authority
- CN
- China
- Prior art keywords
- battery
- abnormal
- cell
- data
- voltage 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.)
- Pending
Links
- 230000005856 abnormality Effects 0.000 title claims abstract description 48
- 238000001514 detection method Methods 0.000 title claims abstract description 38
- 238000012423 maintenance Methods 0.000 title claims abstract description 18
- 238000007726 management method Methods 0.000 title claims abstract description 18
- 230000002159 abnormal effect Effects 0.000 claims abstract description 122
- 238000000034 method Methods 0.000 claims abstract description 56
- 238000012545 processing Methods 0.000 claims description 53
- 239000011159 matrix material Substances 0.000 claims description 31
- 238000010606 normalization Methods 0.000 claims description 30
- 230000008569 process Effects 0.000 claims description 16
- 230000015654 memory Effects 0.000 claims description 11
- 230000008030 elimination Effects 0.000 claims description 8
- 238000003379 elimination reaction Methods 0.000 claims description 8
- 238000000546 chi-square test Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims 1
- 230000008859 change Effects 0.000 abstract description 7
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000002759 z-score normalization Methods 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000003646 Spearman's rank correlation coefficient Methods 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- KJONHKAYOJNZEC-UHFFFAOYSA-N nitrazepam Chemical compound C12=CC([N+](=O)[O-])=CC=C2NC(=O)CN=C1C1=CC=CC=C1 KJONHKAYOJNZEC-UHFFFAOYSA-N 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 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]
- G01R31/385—Arrangements for measuring battery or accumulator 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]
- G01R31/367—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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种电池异常检测、电池维护管理方法和装置。所述方法包括：获取电池组中各电芯的多条电压数据；根据所述电压数据，确定电芯之间的相关系数；根据电芯之间的相关系数和设定的异常阈值，确定异常电芯；根据各电芯的相关系数均值和已确定的异常电芯，确定潜在风险电芯。对确定出的潜在风险电芯，根据潜在风险电芯的相关系数、设定时间段内的历史电压数据和电芯的属性参数，预测潜在风险电芯发生异常的时间，根据预测的时间确定潜在风险电芯的最晚更换时间。该方法针对电芯进行异常分析，基于电芯的实时电压数据的变化情况进行异常检测，检测准确性高，能够对异常电芯进行及时处理，提高电池安全性，减少安全隐患。
Description
技术领域
本发明涉及新能源电池技术领域，特别涉及一种电池异常检测、电池维护管理方法和装置。
背景技术
在新能源汽车的普及进程中，动力电池的安全问题和续航里程对新能源汽车的被接受度有着至关重要的影响，因此，对电池异常情况进行有效的诊断和合理的预测，以减少安全隐患、提高续航里程是很有必要。
现有技术中的大多数电池异常检测方案都是依靠设定电压阈值的方式判断异常情况，其通常采用滑动窗口方法进行特征提取，对不同时刻间的电压差值做差分，进而累积生成差分累积矩阵，然后对差分累积矩阵进行双窗口滑动均值差分操作以得到均值差分矩阵，计算得出均值间的相对关系，最终依据连续数个特征值进行电池异常判定。
发明内容
本申请发明人发现，现有基于电压值大小来判定电池是否异常的方案，由于电压值大小可能随着车辆的状态不同而不同，例如行车时和充电时电压值是不相同的，这种情况下，对判断结果会有影响，导致基于电压值判定的异常可能是不准确的，有可能是因为车辆状态改变引起的电压值变化，而非电池异常引起，因此，现有电池异常判定方式存在判断结果误差大无法准确的进行电池异常情况判定的问题；而且现有方式也无法对电池可能存在的异常情况进行预判，不能及时处理可能存在的异常隐患。
鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种电池异常检测、电池维护管理方法和装置。
本发明实施例提供一种电池异常检测方法，包括：
获取电池组中各电芯的多条电压数据；
根据所述电压数据，确定电芯之间的相关系数；
根据电芯之间的相关系数和设定的异常阈值，确定异常电芯；
根据各电芯的相关系数均值和已确定的异常电芯，确定潜在风险电芯。
在一些可选的实施例中，根据所述电压数据，确定电芯之间的相关系数，包括：
对电压数据矩阵进行卡方检验，确定电压数据矩阵中存在异常电压数据的行数；所述电压数据矩阵中每一行中包括各电芯在相同时刻的电压数据，每一列中包括一个电芯在不同时刻的多个电压数据；
提取存在异常电压数据的数据行，组成筛选后的电压数据矩阵；
根据筛选后的电压数据矩阵中各电芯的电压数据，确定电芯之间的相关系数。
在一些可选的实施例中，根据电芯之间的相关系数和设定的异常阈值，确定异常电芯，包括：
根据设定的异常阈值，查找相关系数小于所述异常阈值的电芯，确定为异常电芯。
在一些可选的实施例中，根据各电芯的相关系数均值和已确定的异常电芯，确定潜在风险电芯，包括：
根据电芯与其他电芯的相关系数，确定该电芯的相关系数均值；
对各电芯的相关系数均值进行排序，确定排序结果中与已确定的异常电芯相邻的设定数量的电芯为潜在风险电芯。
在一些可选的实施例中，上述方法还包括：对电压数据进行下列数据处理中的至少一项：
对电压数据进行异常数据剔除处理；所述异常数据剔除包括下列至少一项：删除电压数据中的空值数据、删除每个电芯的电压数据中的离群数据，其中，离群数据基于3sigma原则确定；
对电压数据进行指数移动滑动平均处理。
在一些可选的实施例中，上述方法还包括：对电压数据进行归一化处理；
所述归一化处理包括将各电芯在不同时刻的电压值缩放至单位范数内。
本发明实施例提供一种电池维护管理方法，包括：
对确定出的潜在风险电芯，根据潜在风险电芯的相关系数、设定时间段内的历史电压数据和电芯的属性参数，预测潜在风险电芯发生异常的时间，根据预测的时间确定潜在风险电芯的最晚更换时间；
所述潜在风险电芯使用上述的电池异常检测方法确定。
在一些可选的实施例中，上述方法还包括：
对确定出的异常电芯和/或潜在风险电芯进行预警提示。
本发明实施例提供一种电池异常检测装置，包括：
获取模块，用于获取电池组中各电芯的多条电压数据；
相关性确定模块，用于根据所述电压数据，确定电芯之间的相关系数；
异常确定模块，用于根据电芯之间的相关系数和设定的异常阈值，确定异常电芯；
潜在风险确定模块，用于根据各电芯的相关系数均值和已确定的异常电芯，确定潜在风险电芯。
在一些可选的实施例中，上述装置还包括下列模块中的至少一个：
数据处理模块，用于对电压数据进行下列数据处理中的至少一项：对电压数据进行异常数据剔除处理；对电压数据进行指数移动滑动平均处理；所述异常数据剔除包括下列至少一项：删除电压数据中的空值数据、删除每个电芯的电压数据中的离群数据，其中，离群数据基于3sigma原则确定；
归一化处理模块，用于对电压数据进行归一化处理，所述归一化处理包括将各电芯在不同时刻的电压值缩放至单位范数内。
本发明实施例提供一种电池维护管理装置，包括：
上述的电池异常检测装置；
预测模块，用于对确定出的潜在风险电芯，根据潜在风险电芯的相关系数、设定时间段内的历史电压数据和电芯的属性参数，预测潜在风险电芯发生异常的时间，根据预测的时间确定潜在风险电芯的最晚更换时间。
在一些可选的实施例中，上述装置还包括：
预警模块，用于对确定出的异常电芯和/或潜在风险电芯进行预警提示。
本发明实施例提供一种计算机存储介质，所述计算机存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器执行时实现上述的电池异常检测方法和/或上述的电池维护管理方法。
本发明实施例提供一种检测设备，包括：存储器、处理器及存储于存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述的电池异常检测方法和/或上述的电池维护管理方法。
本发明实施例提供的上述技术方案的有益效果至少包括：
本发明实施例提供的电池异常检测方法，针对电池组中各电芯进行异常检测，采集各电芯在不同时刻的电压数据，通过电压数据确定电芯之间的相关系数，基于不同电芯之间的相关性判定电芯是否存在异常，确定出存在异常的电芯，以便及时进行预警和更换处理；在此基础上基于异常的电芯和各电芯的相关系数进一步确定当前或未来一段时间内可能发生异常的电芯，即潜在风险电芯，以便对潜在风险电芯提前进行预警并及时进行更换；该方法能够准确预测异常电芯和潜在风险电芯，并及时进行处理，提高电池的使用安全性，尽可能的避免安全隐患。
本发明实施例提供的电池维护管理方法，对当前或未来一段时间内可能发生异常的潜在风险电芯，预测其发生异常的时间，以便确定其最晚更换时间，从而进一步提高电池的使用安全性，减少可能发生的安全隐患。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1a为本发明实施例中电芯的电压随车辆状态的变化情况示例图；
图1b为本发明实施例中多个电芯的电压随车辆状态的变化情况示例图；
图1c为本发明实施例中异常电芯的电压值变化情况示例图之一；
图1d为本发明实施例中异常电芯的电压值变化情况示例图之二；
图2为本发明实施例一中电池异常检测方法的流程图；
图3为本发明实施例二中电池异常检测方法的流程图；
图4为本发明实施例二中采集的电压数据示例；
图5为本发明实施例二中电压数据空值示例；
图6为本发明实施例二中电压数据离群值示例；
图7为本发明实施例二中滑动平均后的电压数据示例；
图8为本发明实施例二中归一化处理后的电压数据示例；
图9为本发明实施例二中卡方检检验结果示例；
图10为本发明实施例二中电芯之间的相关系数示例之一；
图11为本发明实施例二中电芯之间的相关系数示例之二；
图12为本发明实施例二中电芯相关系数均值排序结果示例；
图13为本发明实施例三中电池维护管理方法的流程图；
图14为本发明实施例中电池异常检测装置的结构示意图；
图15为本发明实施例中电池维护管理装置的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
参见图1a所示为电芯的电压随车辆状态的变化情况示例图，图1b所示为多个电芯的电压随车辆状态的变化情况示例图，其中横坐标为时间，以秒为单位进行采样时，横坐标也可以是采样序号，纵坐标为对应的电压值，可以看出，电压值的大小随着车辆状态的不同而不同，例如行车时和充电时电压值是不相同的。如果以电压阈值来判断电池异常，由于车辆状态对电压值的影响，则有可能导致判断结果不准确，无法准确识别是状态变化导致的电压不符合阈值要求还是电池异常导致的。
参见图1c所示，异常电芯的电压值示例，异常电芯的电压值高于正常电芯的电压值，其中，正常电芯的电压值在3.9左右，异常电芯的电压值在3.9以上、4.5以下范围内变化。参见图1d所示，异常电芯的电压值示例，异常电芯的电压值低于正常电芯的电压值，其中，正常电芯的电压值在3.9左右，异常电芯的电压值在3.9以下、1.0以上的范围内变化。
为了解决现有技术中存在的无法准确判定电池异常情况以及不能对可能存在的异常进行预判的问题，本发明实施例提供一种电池异常检测方法，利用电芯电压相对比较的方法，通过电芯之间的相关性来进行异常判断，识别存在异常以及可能存在异常的电芯，本申请的方案适用于车辆各种状态下的异常判断，不受车辆状态的影响，且判断结果的误差小，准确度高。
实施例一
本发明实施例一提供一种电池异常检测方法，其流程如图2所示，包括如下步骤：
步骤S101：获取电池组中各电芯的多条电压数据；
电池组中有多个电芯，针对每个电芯采集其不同时刻的电压数据，得到多条电压数据。
步骤S102：根据电池组中各电芯的电压数据，确定电芯之间的相关系数；
相关关系是指现象之前存在非严格的、不确定的依存关系。这种关系的特点是某一现象在数量上发生变化会影响另一现象数量上的变化，并且遵循一定规律，围绕平均值上线波动。相关系数的计算：相关关系的密切程度使用相关系数来度量，线性系数可以采用皮尔森相关系数r来计算，相关系数取值范围在[-1,1]。相关系数也可以采用其他相关系数。
计算相关系数时，可以直接使用采集的电压数据，将电压数据以矩阵形式进行记录，根据电压数据矩阵，计算任意两个电芯之间的相关系数。也可以相对数据进行筛选，筛选出可能异常的部分数据，使用这部分数据有针对性的进行相关性计算。因此，该步骤可选的，对电压数据矩阵进行卡方检验，确定电压数据矩阵中存在异常电压数据的行数；提取存在异常电压数据的数据行，组成筛选后的电压数据矩阵；根据筛选后的电压数据矩阵中各电芯的电压数据，确定电芯之间的相关系数。其中，电压数据矩阵中每一行中包括各电芯在相同时刻的电压数据，每一列中包括一个电芯在不同时刻的多个电压数据。
步骤S103：根据电芯之间的相关系数和设定的异常阈值，确定异常电芯。
根据设定的异常阈值，查找相关系数小于异常阈值的电芯，确定为异常电芯。相关系数不小于异常阈值的电芯，则为正常电芯。
步骤S104：根据各电芯的相关系数均值和已确定的异常电芯，确定潜在风险电芯。
根据电芯与其他电芯的相关系数，确定该电芯的相关系数均值，对各电芯的相关系数均值进行排序；确定排序结果中与已确定的异常电芯相邻的设定数量的电芯为潜在风险电芯。
本实施例的上述方法，针对电池组中各电芯进行异常检测，采集各电芯在不同时刻的电压数据，通过电压数据确定电芯之间的相关系数，基于不同电芯之间的相关性判定电芯是否存在异常，确定出存在异常的电芯，以便及时进行预警和更换处理；在此基础上基于异常的电芯和各电芯的相关系数进一步确定当前或未来一段时间内可能发生异常的电芯，即潜在风险电芯，以便对潜在风险电芯提前进行预警并及时进行更换；该方法能够准确预测异常电芯和潜在风险电芯，并及时进行处理，提高电池的使用安全性，尽可能的避免安全隐患。
实施例二
本发明实施例二提供电池异常检测方法的一种具体实现过程，其流程如图3所示，包括如下步骤：
步骤S201：获取电池组中电芯的多条电压数据。
获取电能源汽车电池组各个电芯在各种状态下的实时电压数据，每个电芯可以获取多个时刻的多条电压数据，并将上述数据一起存储，使用一个字段进行区分。其中电池状态包括：行驶耗电、行驶充电、停车充电等。电池组各电芯的电压实时数据的示例参见图4所示。
图4中，"c1"、"c2"、"c3"、"c4"、"c5"、"c6"、"c7"、"c8"、"c9"等是电芯序号名称，其下面的数据为该电芯的实时电压值，表1中每个电芯展示了前10条记录。为了避免预测精度下降和增加强实时性，可以采取每指定数量的连续信号数据进行离散分箱计算。数据记录的指定数量根据算法要求确定，例如可以采集300条、500条、1000条等等。
步骤S202：对电压数据进行下列数据处理中的至少一项：对电压数据进行异常数据剔除处理、对电压数据进行指数移动滑动平均处理。
异常数据剔除包括下列至少一项：删除电压数据中的空值数据、删除每个电芯的电压数据中的离群数据，其中，离群数据基于3sigma原则确定；
由于物联网数据上传难免有断传或者硬件导致的异常数据，而现有基于阈值判定电池异常情况时，并未对该部分数据进行处理，本实施例的方案使用了数据处理方案进行甄别，以剔除该部分数据。删除空值数据包括删除由于物联网设备故障导致的上传的空值。例如获取的实时电压数据的原始数据可以参见图5所示，其中电芯c4的第2个电压数据是空值，将其删除掉。
离群数据处理的目的是删除少量且明显的异常数据。离群数据也称异常值数据，异常值数据可以通过3sigma异常值处理方法确定，通常一个电芯的电压数据需要服从正态分布，在3sigma原则下，某一条电压数的电压值如果超过标准差的指定倍数，例如3倍标准差，那么可以将其视为异常值数据。例如获取的实时电压数据的原始数据可以参见图6所示，其中电芯c6的第5个电压数据是离群数据，将其删除掉。
采用指数移动滑动平均的方式对电压数据进行处理得到电压矩阵数据。
可以直接对采集的电压数据进行指数移动滑动平均处理，得到压差矩阵数据，若对电压数据执行了异常数据剔除，则对异常数据剔除处理后的电压数据进行指数移动滑动平均处理，得到电压矩阵数据。电压矩阵数据的一个示例参见图7所示，指数移动滑动平均的目的是使相邻的数据差异减小，提高后续判定结论精准度。
异常数据剔除和滑动平均处理可以同时执行，也可以择一执行，同时执行时可以使后续分析的结果准确度更佳。
步骤S203：对电压数据进行归一化处理。
归一化处理包括对电压数据进行标准化处理，将各电芯在不同时刻的电压值缩放至单位范数内。
归一化处理可以将数值数据缩放到一个公共范围内，这对于提高机器学习算法的性能以及在相同的比例上可视化数据非常有用。
归一化处理可以是对实时电压数据进行min-max归一化处理、Z-score归一化，也可以是其他的归一化处理方式。
1)以min-max归一化处理为例，也称min-max标准化方法，该方法是对原始数据进行线性变换，需要求出特征的最小值和最大值，然后通过公式求出标准化值，实现将每个电压数据记录缩放到单位范数，例如范数为1，即把电压值映射到区间为[0,1]的标准化值区间内。其中，最小值的标准化为0，最大值的标准化值为1。将一个原始值x通过min-max标准化映射成在区间[0,1]中的值x'，其公式为：(x-min)/(max-min)，其中x是原始值，min是数据集中的最小值，max是数据集中的最大值。即可以通过如下计算公式进行归一化处理：
标准化值＝(原数据-最小值)/(最大值-最小值)。
其中原数据即之前获得的电芯的电压值，最小值和最大值分别为各电芯的电压值的最小值和最大值。
2)Z-score归一化：也称z-score标准化，该方法将数据缩放为具有平均值为0和标准差为1的数据。基于原始数据的均值(mean)和标准差(standard deviation)进行数据的标准化。将A的原始值x使用z-score标准化到x'。z-score标准化方法适用于属性A的最大值和最小值未知的情况，或有超出取值范围的离群数据的情况。它的计算方法为(x-mean)/std，其中x是原始值，mean是数据集的平均值，std是数据集的标准差。
电芯的电压数据一般是电压值或者压差数值，电压值或者压差数值分布一般在2～4之间，经由归一化处理后使压差数值都分布在0～1之间。将所有电压值或者压差数值都换算成0～1范围内，更便于统一标注计算。归一化处理后的电压数据的一个示例参见图8所示，其中所有电芯的电压数据均处理为0-1之间的数值。
步骤S204：对电压数据矩阵进行卡方检验，确定电压数据矩阵中存在异常电压数据的行数，提取存在异常电压数据的数据行，组成筛选后的电压数据矩阵。其中，电压数据矩阵中每一行中包括各电芯在相同时刻的电压数据，每一列中包括一个电芯在不同时刻的多个电压数据。
电压数据可以以矩阵形式表示，对电压数据矩阵进行横向检测，横向检测时使用卡方检验方法对每一条数据进行检验。参见图9所示的，可以显示检测出来的异常数据对应的行数，例如图中方框部分所示的行数。卡方检验是一种用于检验两个分类变量之间是否存在关联的统计方法，其原理是通过计算实际观测值与期望值之间的差异程度，来判断两个分类变量是否独立。在该步骤中，检验电压的观测值和期望值之间的差异，来确定电压是否异常。卡方检验的结果用于显示电芯的电压数据是否存在显著的差异，但不能确定差异的具体原因。因此还需要后续相关性计算的结果来确定。
步骤S205：根据筛选后的电压数据矩阵中各电芯的电压数据，确定电芯之间的相关系数。
参见图10、图11所示的为电芯c1、c2、……、c9两两之间的相关系数。相关性计算的方法可以有多种，计算出的相关系数例如可以是：皮尔森相关系数、斯皮尔曼等级相关系数等等。
以皮尔森(Pearson)相关系数为例，其测量两个变量之间的线性关系，以便度量两组变量之间的线性关系强弱。范围从-1(完全负相关)到1(完全正相关)。其假设变量服从正态分布，并且它们之间存在线性关系。当两组变量之间的关系符合线性关系时，则可使用Pearson相关系数计算。
基于电芯的电压数据，采用下列公式确定任意两个电芯之间的相关系数：
其中，Xi和Yi表示不同的电芯电压值，分别表示各电芯的电压值的平均数，n表示电芯数量。
γ亦可由(Xi，Yi)样本点的标准分数均值估计，样本点即为上述获得的各电芯的电压值，得到与上式等价的表达式：
其中，为电压值Xi的标准分数，/>为电压值Xi的样本平均值，σX为电压值Xi的样本标准差，/>为电压值Yi的标准分数，/>为电压值Yi的样本平均值，σY为电压值Yi的样本标准差，n表示电芯数量。
以Spearman等级相关系数为例，该相关系数用于度量两组变量之间的等级排序关系。当两组变量之间的数据呈现等级排列时，可使用Spearman相关系数计算。Spearman相关系数被定义成等级变量之间的皮尔森相关系数。对于样本容量为n的样本，n个原始数据被转换成等级数据，相关系数ρ为：
原始数据依据其在总体数据中平均的降序位置，被分配了一个相应的等级。
不同方法可以用来描述不同的数据特征，选择哪种方法需根据具体数据情况和分析目的来确定。
步骤S204-205实现了根据电压数据，确定电芯之间的相关系数，其中S204为横向检测确定存在异常的行数，S205为纵向检测，基于存在异常数据的行中的数据进行相关性计算，使相关性计算更具有针对性。
步骤S206：根据电芯之间的相关系数和设定的异常阈值，确定异常电芯；
对相关系数数据进行统计计算，得出相关系数值在设定阈值，例如0.9以上为正常值；则相关系数小于0.9的为异常电芯，不小于0.9的为正常电芯。
参见图10、图11所示的，c6和c7与其他电芯的相关系数都比较小，例如c6、c7与c1的相关系数分别为0.07和-0.06，c6、c7与c2的相关系数分别为0.06和-0.03等等，因此c6、c7为异常电芯。
步骤S207：针对每个电芯，根据其与其他各电芯的相关系数，确定相关系数均值；根据所述均值的排序和已确定的异常电芯，确定潜在风险电芯。
针对每个电芯，对该电芯与其他电芯的相关系数求均值，并对求得的均值进行升序排序，参见图12所示的，其中最右边方框所示为升序排序后的均值。左边方框为对应的电芯编号。
此前已确定异常的电芯为c6、c7，该排序结果中与c6、c7相邻的是c8、其次是c3。若确定相邻的1个潜在风险电芯，则潜在风险电芯为c8；若确定相邻的2个潜在风险电芯，则潜在风险电芯为c8和c3。
在确定出第一目标电芯——异常电芯后，在进一步进行数据处理，对处理后的数据进行排序，识别出第二目标电芯——即将可能发生异常的电芯。
本实施例中，对当前或未来一段时间内可能发生异常的潜在风险电芯，预测其发生异常的时间，以便确定其最晚更换时间，从而进一步提高电池的使用安全性，减少可能发生的安全隐患。
实施例三
本发明实施例三提供一种电池维护管理方法，其流程如图13所示，包括如下步骤：
步骤S301：对确定出的潜在风险电芯，根据潜在风险电芯的相关系数、设定时间段内的历史电压数据和电芯的属性参数，预测潜在风险电芯发生异常的时间。潜在风险电芯使用上述的方法确定。
电芯的属性参数可以是电芯的使用寿命等。
步骤S302：根据预测的时间确定潜在风险电芯的最晚更换时间。
上述方法实现推测潜在风险电芯最长更换时间限制。由于电芯异常会影响相关其他电芯，c8作为潜在风险电芯，基于当前c8的相关系数均值、近一年的电压历史数据和c8的属性参数，例如设计的使用寿命，推断出建议该潜在风险电芯更换的最晚时间在80天以内。
在一些可选的实施例中，上述方法还包括：
步骤S303：对确定出的异常电芯和/或潜在风险电芯进行预警提示。
基于确定的即将可能发生异常的电芯，及该电芯实际发生异常的时间，通过大数据进行汇总分析，确定出这类第二目标电芯，可能发生异常的时间，进而给用户发出相应提示，在该可能发生异常的时间内，及时进行该电芯的替换，对用户的使用造成不便，提升用户的使用体验。同时也能避免该电芯发生异常，进而对相邻的其他电芯产生不良影响，更加节能。
上述各实施例的方法中，对当前或未来一段时间内可能发生异常的潜在风险电芯，预测其发生异常的时间，以便确定其最晚更换时间，从而进一步提高电池的使用安全性，减少可能发生的安全隐患。
基于同一发明构思，本发明实施例还提供一种电池异常检测装置，该装置可以设置在具有计算处理功能的电子设备中，该装置的结构如图14所示，包括：
获取模块11，用于获取电池组中各电芯的多条电压数据；
相关性确定模块12，用于根据电压数据，确定电芯之间的相关系数；
异常确定模块13，用于根据电芯之间的相关系数和设定的异常阈值，确定异常电芯；
潜在风险确定模块14，用于根据各电芯的相关系数均值和已确定的异常电芯，确定潜在风险电芯。
在一些可选的实施例中，上述装置还包括下列模块中的至少一个：
数据处理模块15，用于对电压数据进行下列数据处理中的至少一项：对电压数据进行异常数据剔除处理；对电压数据进行指数移动滑动平均处理；其中，异常数据剔除包括下列至少一项：删除电压数据中的空值数据、删除每个电芯的电压数据中的离群数据，其中，离群数据基于3sigma原则确定。
归一化处理模块16，用于对电压数据进行归一化处理，所述归一化处理包括将各电芯在不同时刻的电压值缩放至单位范数内。
基于同一发明构思，本发明实施例还提供一种电池维护管理装置，该装置可以设置在具有计算处理功能的电子设备中，该装置的结构如图15所示，包括：
上述的电池异常检测装置1；
预测模块21，用于对确定出的潜在风险电芯，根据潜在风险电芯的相关系数、设定时间段内的历史电压数据和电芯的属性参数，预测潜在风险电芯发生异常的时间，根据预测的时间确定潜在风险电芯的最晚更换时间。
在一些可选的实施例中，上述装置还包括：
预警模块22，用于对确定出的异常电芯和/或潜在风险电芯进行预警提示。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
本发明实施例的上述方法和装置，可用于新能源汽车动力电池的异常检测，以解决新能源汽车动力电池电压故障检测，检测性能、准确率大幅度提升，实施非常容易且可用于边缘、终端部署计算。
本发明实施例的上述方法和装置，采用了皮尔森或其他相关系数法，动态采集电池在不同状态下得到的电压值，利用电池电芯之间的数值做动态对比，无需设置阈值等方式。因为电芯电压是动态变化的，比如行程状态中车速的不同会使电压值不同，本方案对比的是不同状态下的电压动态数据，与其他算法相比，本方案计算的是相对值的结果，不是固定阈值。从而使得异常电芯的识别更准确；其中删除空值和异常值、归一化数据等数据优化处理方式进一步提高了可靠性和数据稳定性，增加了准确性。
除非另外具体陈述，术语比如处理、计算、运算、确定、显示等等可以指一个或更多个处理或者计算***、或类似设备的动作和/或过程，所述动作和/或过程将表示为处理***的寄存器或存储器内的物理(如电子)量的数据操作和转换成为类似地表示为处理***的存储器、寄存器或者其他此类信息存储、发射或者显示设备内的物理量的其他数据。信息和信号可以使用多种不同的技术和方法中的任何一种来表示。例如，在贯穿上面的描述中提及的数据、指令、命令、信息、信号、比特、符号和码片可以用电压、电流、电磁波、磁场或粒子、光场或粒子或者其任意组合来表示。
应该明白，公开的过程中的步骤的特定顺序或层次是示例性方法的实例。基于设计偏好，应该理解，过程中的步骤的特定顺序或层次可以在不脱离本公开的保护范围的情况下得到重新安排。所附的方法权利要求以示例性的顺序给出了各种步骤的要素，并且不是要限于所述的特定顺序或层次。
在上述的详细描述中，各种特征一起组合在单个的实施方案中，以简化本公开。不应该将这种公开方法解释为反映了这样的意图，即，所要求保护的主题的实施方案需要清楚地在每个权利要求中所陈述的特征更多的特征。相反，如所附的权利要求书所反映的那样，本发明处于比所公开的单个实施方案的全部特征少的状态。因此，所附的权利要求书特此清楚地被并入详细描述中，其中每项权利要求独自作为本发明单独的优选实施方案。
本领域技术人员还应当理解，结合本文的实施例描述的各种说明性的逻辑框、模块、电路和算法步骤均可以实现成电子硬件、计算机软件或其组合。为了清楚地说明硬件和软件之间的可交换性，上面对各种说明性的部件、框、模块、电路和步骤均围绕其功能进行了一般地描述。至于这种功能是实现成硬件还是实现成软件，取决于特定的应用和对整个***所施加的设计约束条件。熟练的技术人员可以针对每个特定应用，以变通的方式实现所描述的功能，但是，这种实现决策不应解释为背离本公开的保护范围。
结合本文的实施例所描述的方法或者算法的步骤可直接体现为硬件、由处理器执行的软件模块或其组合。软件模块可以位于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、移动磁盘、CD-ROM或者本领域熟知的任何其它形式的存储介质中。一种示例性的存储介质连接至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。该ASIC可以位于用户终端中。当然，处理器和存储介质也可以作为分立组件存在于用户终端中。
对于软件实现，本申请中描述的技术可用执行本申请所述功能的模块(例如，过程、函数等)来实现。这些软件代码可以存储在存储器单元并由处理器执行。存储器单元可以实现在处理器内，也可以实现在处理器外，在后一种情况下，它经由各种手段以通信方式耦合到处理器，这些都是本领域中所公知的。
上文的描述包括一个或多个实施例的举例。当然，为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的，但是本领域普通技术人员应该认识到，各个实施例可以做进一步的组合和排列。因此，本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外，就说明书或权利要求书中使用的术语“包含”，该词的涵盖方式类似于术语“包括”，就如同“包括，”在权利要求中用作衔接词所解释的那样。此外，使用在权利要求书的说明书中的任何一个术语“或者”是要表示“非排它性的或者”。
Claims (14)
1.一种电池异常检测方法，其特征在于，包括：
获取电池组中各电芯的多条电压数据；
根据所述电压数据，确定电芯之间的相关系数；
根据电芯之间的相关系数和设定的异常阈值，确定异常电芯；
根据各电芯的相关系数均值和已确定的异常电芯，确定潜在风险电芯。
2.如权利要求1所述的方法，其特征在于，根据所述电压数据，确定电芯之间的相关系数，包括：
对电压数据矩阵进行卡方检验，确定电压数据矩阵中存在异常电压数据的行数；所述电压数据矩阵中每一行中包括各电芯在相同时刻的电压数据，每一列中包括一个电芯在不同时刻的多个电压数据；
提取存在异常电压数据的数据行，组成筛选后的电压数据矩阵；
根据筛选后的电压数据矩阵中各电芯的电压数据，确定电芯之间的相关系数。
3.如权利要求1所述的方法，其特征在于，根据电芯之间的相关系数和设定的异常阈值，确定异常电芯，包括：
根据设定的异常阈值，查找相关系数小于所述异常阈值的电芯，确定为异常电芯。
4.如权利要求1所述的方法，其特征在于，根据各电芯的相关系数均值和已确定的异常电芯，确定潜在风险电芯，包括：
根据电芯与其他电芯的相关系数，确定该电芯的相关系数均值；
对各电芯的相关系数均值进行排序，确定排序结果中与已确定的异常电芯相邻的设定数量的电芯为潜在风险电芯。
5.如权利要求1-4任一所述的方法，其特征在于，还包括：对电压数据进行下列数据处理中的至少一项：
对电压数据进行异常数据剔除处理；所述异常数据剔除包括下列至少一项：删除电压数据中的空值数据、删除每个电芯的电压数据中的离群数据，其中，离群数据基于3sigma原则确定；
对电压数据进行指数移动滑动平均处理。
6.如权利要求1-5任一所述的方法，其特征在于，还包括：对电压数据进行归一化处理；
所述归一化处理包括将各电芯在不同时刻的电压值缩放至单位范数内。
7.一种电池维护管理方法，其特征在于，包括：
对确定出的潜在风险电芯，根据潜在风险电芯的相关系数、设定时间段内的历史电压数据和电芯的属性参数，预测潜在风险电芯发生异常的时间，根据预测的时间确定潜在风险电芯的最晚更换时间；
所述潜在风险电芯使用权利要求1-8任一所述的方法确定。
8.如权利要求7所述的方法，其特征在于，还包括：
对确定出的异常电芯和/或潜在风险电芯进行预警提示。
9.一种电池异常检测装置，其特征在于，包括：
获取模块，用于获取电池组中各电芯的多条电压数据；
相关性确定模块，用于根据所述电压数据，确定电芯之间的相关系数；
异常确定模块，用于根据电芯之间的相关系数和设定的异常阈值，确定异常电芯；
潜在风险确定模块，用于根据各电芯的相关系数均值和已确定的异常电芯，确定潜在风险电芯。
10.如权利要求9所述的装置，其特征在于，还包括下列模块中的至少一个：
数据处理模块，用于对电压数据进行下列数据处理中的至少一项：对电压数据进行异常数据剔除处理；对电压数据进行指数移动滑动平均处理；所述异常数据剔除包括下列至少一项：删除电压数据中的空值数据、删除每个电芯的电压数据中的离群数据，其中，离群数据基于3sigma原则确定；
归一化处理模块，用于对电压数据进行归一化处理，所述归一化处理包括将各电芯在不同时刻的电压值缩放至单位范数内。
11.一种电池维护管理装置，其特征在于，包括：
如权利要求9-10任一所述的电池异常检测装置；
预测模块，用于对确定出的潜在风险电芯，根据潜在风险电芯的相关系数、设定时间段内的历史电压数据和电芯的属性参数，预测潜在风险电芯发生异常的时间，根据预测的时间确定潜在风险电芯的最晚更换时间。
12.如权利要求11所述的装置，其特征在于，还包括：
预警模块，用于对确定出的异常电芯和/或潜在风险电芯进行预警提示。
13.一种计算机存储介质，其特征在于，所述计算机存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器执行时实现权利要求1-6任一所述的电池异常检测方法和/或权利要求7-8任一所述的电池维护管理方法。
14.一种检测设备，其特征在于，包括：存储器、处理器及存储于存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现权利要求1-6任一所述的电池异常检测方法和/或权利要求7-8任一所述的电池维护管理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310450745.7A CN116679221A (zh) | 2023-04-24 | 2023-04-24 | 一种电池异常检测、电池维护管理方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310450745.7A CN116679221A (zh) | 2023-04-24 | 2023-04-24 | 一种电池异常检测、电池维护管理方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116679221A true CN116679221A (zh) | 2023-09-01 |
Family
ID=87786176
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310450745.7A Pending CN116679221A (zh) | 2023-04-24 | 2023-04-24 | 一种电池异常检测、电池维护管理方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116679221A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118151019A (zh) * | 2024-05-08 | 2024-06-07 | 北汽福田汽车股份有限公司 | 动力电池异常识别方法、装置、存储介质及车辆 |
-
2023
- 2023-04-24 CN CN202310450745.7A patent/CN116679221A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118151019A (zh) * | 2024-05-08 | 2024-06-07 | 北汽福田汽车股份有限公司 | 动力电池异常识别方法、装置、存储介质及车辆 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112092675B (zh) | 一种电池热失控预警方法、***及服务器 | |
| CN114818831B (zh) | 基于多源感知的双向锂离子电池故障检测方法及*** | |
| CN112883645A (zh) | 单体电池电压不一致故障预测方法、装置及服务器 | |
| CN115983084A (zh) | 一种燃料电池剩余使用寿命预测方法、***、设备及终端 | |
| CN116679221A (zh) | 一种电池异常检测、电池维护管理方法和装置 | |
| CN115219903A (zh) | 基于车联网数据分析的电池自放电率异常判断方法及装置 | |
| CN106910334B (zh) | 一种基于大数据预测路段状况的方法及装置 | |
| CN115327417A (zh) | 一种动力电池单体异常的预警方法、***及电子设备 | |
| CN117783745B (zh) | 用于换电柜的数据在线监测方法及*** | |
| CN116150572A (zh) | 一种基于聚类分析的汽车电池单体一致性缺陷评估方法 | |
| CN116664015A (zh) | 一种智能充电桩管理***及其方法 | |
| CN110243598B (zh) | 列车轴承温度的处理方法、装置及存储介质 | |
| CN115526258A (zh) | 基于Spearman相关系数特征提取的电力***暂稳评估方法 | |
| Li et al. | A Novel Method for Lithium‐Ion Battery Fault Diagnosis of Electric Vehicle Based on Real‐Time Voltage | |
| CN111126449A (zh) | 一种基于聚类分析的电池故障分类诊断方法 | |
| CN114036647A (zh) | 一种基于实车数据的动力电池安全风险评估方法 | |
| CN112836967B (zh) | 新能源汽车电池安全风险评估*** | |
| CN117007977B (zh) | 一种储能电池健康状态诊断方法 | |
| CN117783872A (zh) | 动力电池的数据异常检测方法、装置、服务器及存储介质 | |
| CN114492636B (zh) | 一种变压器绕组状态信号的采集*** | |
| CN115128468A (zh) | 一种化学储能电池phm欠压故障预测方法 | |
| CN115378000A (zh) | 基于区间二型模糊聚类分析的配电网运行状态评估方法 | |
| CN115511106B (zh) | 基于时序数据生成训练数据的方法、设备和可读存储介质 | |
| CN116047313B (zh) | 一种用于锂电池储能箱的质量检测和维护方法及*** | |
| CN117761543A (zh) | 一种多稀疏观测器融合动力电池异常电压识别方法及*** |
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 |