CN117706375A - 电池组安全状态评分方法、装置、设备及可读存储介质 - Google Patents
电池组安全状态评分方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN117706375A CN117706375A CN202410088037.8A CN202410088037A CN117706375A CN 117706375 A CN117706375 A CN 117706375A CN 202410088037 A CN202410088037 A CN 202410088037A CN 117706375 A CN117706375 A CN 117706375A
- Authority
- CN
- China
- Prior art keywords
- battery pack
- feature
- state data
- state
- 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
- 238000013077 scoring method Methods 0.000 title claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims abstract description 117
- 238000000034 method Methods 0.000 claims abstract description 34
- 230000009467 reduction Effects 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 13
- 239000013598 vector Substances 0.000 claims description 31
- 230000002159 abnormal effect Effects 0.000 claims description 24
- 238000007599 discharging Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 6
- 238000005070 sampling Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000007248 cellular mechanism Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000012549 training 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
- B60L3/0023—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train
- B60L3/0046—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train relating to electric energy storage systems, e.g. batteries or capacitors
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
- B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
-
- 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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
-
- 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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
- G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Power Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Secondary Cells (AREA)
Abstract
本申请实施例提供了一种电池组安全状态评分方法、装置、设备及可读存储介质,属于电池安全技术领域。其中方法包括:车载电池管理***采集预设时间内某一时刻的电池组状态数据,并将其上传至车载终端,车载终端将其上传至云端平台;云端平台接收电池组状态数据,并将其进行预处理;根据预处理后的电池组状态数据,提取特征因子;根据不同时刻的电池组状态数据对应的特征因子,构建第一特征矩阵,并对第一特征矩阵进行降维处理得到第二特征矩阵;根据第二特征矩阵构建差异化特征模型,差异化特征模型根据预设时间内的所有电池组状态数据,输出电池组安全状态评分。通过所提供的方案,对电池组的变化状态进行量化,提高电池安全系数。
Description
技术领域
本申请涉及电池安全领域,尤其涉及一种电池组安全状态评分方法、装置、设备及可读存储介质。
背景技术
当前对车用锂离子的电池的异常识别主要基于电池管理***采集的电压、温度、电流等信号,通过阈值的方式进行判断。由于电池的充放电是复杂的电化学变化,伴随着较强的非线性过程,而现有的车端方式的无法对电池的变化状态进行量化,也就无法对整车进行主动安全防护。
发明内容
为了解决上述技术问题,本申请实施例提供了一种电池组安全状态评分方法、装置、设备及可读存储介质。
第一方面,本申请实施例提供了一种电池组安全状态评分方法,所述方法包括:
车载电池管理***采集预设时间内某一时刻的电池组状态数据,并将其上传至车载终端,所述车载终端将所述电池组状态数据上传至云端平台;
所述云端平台接收所述电池组状态数据,并将其进行预处理;
根据预处理后的电池组状态数据,提取特征因子;
根据不同时刻的电池组状态数据对应的特征因子,构建第一特征矩阵,并对所述第一特征矩阵进行降维处理得到第二特征矩阵;
根据所述第二特征矩阵构建差异化特征模型,所述差异化特征模型根据预设时间内的所有电池组状态数据,输出电池组安全状态评分。
在一实施方式中,根据预处理后的电池组状态数据,提取特征因子,包括:
从所述预处理后的电池组状态数据获取电压数据列表,根据所述电压数据列表提取电压类特征因子;
从所述预处理后的电池组状态数据获取温度数据列表,根据所述温度数据列表提取温度类特征因子;
从所述预处理后的电池组状态数据获取电流数据列表,根据所述电流数据列表提取电流类特征因子;
从所述预处理后的电池组状态数据获取所述电池组的电荷数据,将所述电荷数据作为电荷特征因子。
在一实施方式中,所述特征因子还包括充放电工况特征因子,提取所述充放电工况特征因子,包括:
确认充电状态是否无效且检查车辆状态是否无效或异常;
若充电状态无效且车辆状态无效或异常;则判断电池组的电流在预设时间内是否持续超过所述电池组的电流阈值,若所述电流在预设时间内持续超过所述电池组的电流阈值,则所述电池组为放电工况特征因子;
若充电状态有效,则判断充电状态是否为预设类别,若充电状态为预设类别,则所述电池组为充电工况特征因子。
在一实施方式中,所述根据不同时刻的电池组状态数据对应的特征因子,构建第一特征矩阵,并对所述第一特征矩阵进行降维处理得到第二特征矩阵,包括:
将所述第一特征矩阵的列进行均值归一化;
计算归一化后的第一特征矩阵的协方差矩阵,并求取所述协方差矩阵的特征值及所述特征值对应的特征向量;
将所述特征向量按对应的特征值大小从大到小排列,按预设比例截取固定数量的特征向量得到中间特征矩阵;
将所述第一特征矩阵和所述中间特征矩阵相乘得到第二特征矩阵。
在一实施方式中,所述根据所述第二特征矩阵构建差异化特征模型,所述差异化特征模型根据预设时间内的所有电池组状态数据,输出电池组安全状态评分,包括:
选取所述第二特征矩阵的任一个特征向量;
将某一特征因子对应的第二特征矩阵的列与所述特征向量进行计算,得到偏离程度;
将所述列与第二特征矩阵的所有特征向量对应的偏离程度进行累加,得到所述电池组的异常分数;
将所述异常分数映射到固定区间,根据映射后的异常分数得到所述电池组的安全状态评分。
在一实施方式中,所述方法还包括:
所述云端平台设置安全分数阈值;
判断所述安全状态评分是否小于安全分数阈值;
若所述安全状态评分小于所述安全分数阈值,则所述云端平台推送告警给管理终端。
在一实施方式中,所述车载终端将所述电池组状态数据上传至云端平台之前,所述方法还包括:
所述车载终端按照特定协议将所述电池组状态数据加密为二进制电池组状态数据。
第二方面,本申请实施例提供了一种电池组安全状态评分装置,所述电池组安全状态评分装置包括:
采集模块,用于通过车载电池管理***采集预设时间内某一时刻的电池组状态数据,并将其上传至车载终端,所述车载终端将所述电池组状态数据上传至云端平台;
预处理模块,用于通过所述云端平台接收所述电池组状态数据,并将其进行预处理;
提取模块,用于根据预处理后的电池组状态数据,提取特征因子;
降维模块,用于根据不同时刻的电池组状态数据对应的特征因子,构建第一特征矩阵,并对所述第一特征矩阵进行降维处理得到第二特征矩阵;
输出模块,用于根据所述第二特征矩阵构建差异化特征模型,所述差异化特征模型根据预设时间内的所有电池组状态数据,输出电池组安全状态评分。
第三方面,本申请实施例提供了一种电子设备,包括存储器以及处理器,所述存储器用于存储计算机程序,所述计算机程序在所述处理器运行时执行第一方面提供的电池组安全状态评分方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,其存储有计算机程序,所述计算机程序在处理器上运行时执行第一方面提供的电池组安全状态评分方法。
上述本申请提供的电池组安全状态评分方法,车载电池管理***采集预设时间内某一时刻的电池组状态数据,并将其上传至车载终端,所述车载终端将所述电池组状态数据上传至云端平台;所述云端平台接收所述电池组状态数据,并将其进行预处理;根据预处理后的电池组状态数据,提取特征因子;根据不同时刻的电池组状态数据对应的特征因子,构建第一特征矩阵,并对所述第一特征矩阵进行降维处理得到第二特征矩阵;根据所述第二特征矩阵构建差异化特征模型,所述差异化特征模型根据预设时间内的所有电池组状态数据,输出电池组安全状态评分,本方案通过提取特征因子来构建特征矩阵,通过特征矩阵构造差异化特征模型,输出电池组安全状态评分,对电池组的变化状态进行量化,提高电池安全系数。
附图说明
为了更清楚地说明本申请的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对本申请保护范围的限定。在各个附图中,类似的构成部分采用类似的编号。
图1示出了本申请实施例提供的电池组安全状态评分方法的一流程示意图;
图2示出了本申请实施例提供的电池组安全状态评分方法的另一流程示意图;
图3示出了本申请实施例提供的电池组风险提前预警的示意图;
图4示出了本申请实施例提供的电池组安全状态评分装置的一结构示意图。
图标:400-电池组安全状态评分装置,401-采集模块,402-预处理模块,403-提取模块,404-降维模块,405-输出模块。
具体实施方式
下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。
通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
在下文中,可在本申请的各种实施例中使用的术语“包括”、“具有”及其同源词仅意在表示特定特征、数字、步骤、操作、元件、组件或前述项的组合,并且不应被理解为首先排除一个或更多个其它特征、数字、步骤、操作、元件、组件或前述项的组合的存在或增加一个或更多个特征、数字、步骤、操作、元件、组件或前述项的组合的可能性。
此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
除非另有限定,否则在这里使用的所有术语(包括技术术语和科学术语)具有与本申请的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义,除非在本申请的各种实施例中被清楚地限定。
实施例1
本申请实施例提供了一种电池组安全状态评分方法。
参见图1,电池组安全状态评分方法包括:
S101:车载电池管理***采集预设时间内某一时刻的电池组状态数据,并将其上传至车载终端,所述车载终端将所述电池组状态数据上传至云端平台。
在本实施例中,车端通过电池管理***(Battery Management System,BMS)的采样监控单元(Battery Management Unit,BMU)采集某一时间段内某一时刻电池组状态数据,包括电池组所有的电芯电压信息、所有温度采样点的温度信息、电池组的电流、电池组的电荷状态(State Of Charge,SOC)、充电状态、放电状态等。
电池组内所有电芯的电压信息,如含168个电芯,就会产生168个电压值,并对每个电芯的电压进行编号,通过编号,可以准确地识别和跟踪每个电芯的状态;电池组温度信息,如含84个温度采样点,就会产生84个模组温度值,并对温度点进行编号,通过多个温度采样点,可以全面监测电池组的温度分布和变化;电池组的电流是电池输出的衡量标准,对于了解电池的功率和电量消耗非常重要;SOC表示电池组的剩余电量,用于估计车辆的续航里程、充电需求和电池的健康状况;充电状态如停车充电状态、行驶充电状态、未充电状态、充电完成状态、充电异常和充电无效等;放电状态描述了电池的放电情况,例如车辆是否正在使用电池的能量以及放电的程度。
BMU通过菊花链或控制器局域网(Controller Area Network,CAN)通讯方式将收集到的信息数据传递给BMS的控制单元,BMS的控制单元进行高压控制与电池管理,并将所述电池组的状态数据通过CAN协议上传至车载终端,车载终端收到BMS的信息后,将所述电池组状态数据传送至云端平台。
在一实施方式中,所述车载终端将所述电池组状态数据上传至云端平台之前,所述方法还包括:所述车载终端按照特定协议将所述电池组状态数据加密为二进制电池组状态数据。
在本实施例中,车载终端在将电池组状态数据上传至云端平台之前,首先使用GB23960协议对数据进行加密处理,GB23960协议是一种专门针对电动汽车通讯的标准协议,它规定了数据传输的格式、加密算法和安全要求等。遵循GB23960协议,车载终端将电池组状态数据转换为二进制电池组状态数据,并对所述二进制电池组状态数据进行加密。通过传输控制协议/因特网协议(Transmission Control Protocol/Internet Protocol,TCP/IP)通讯方式将加密后的二进制文件传送至云端平台。
S102:所述云端平台接收所述电池组状态数据,并将其进行预处理。
在本实施例中,云端平台遵循车载终端的加密方式对池组状态数据解密后获取二进制文件,再通过GB32960的通讯协议获取明文的电池组状态数据,主要包含所有电芯的电压(压缩为电压列表),温度采样点的数据(压缩为温度列表),电池组的总压、电流、充电状态,放电状态,采集时间等信息,并在云端平台实时存储电池组状态数据。
可选地,对所述电池组的状态数据进行预处理,由于电压采样异常会出现电压突变或者明显的波动、扰动,为了模型的稳定性和准确性,这样的数据需要进行相应的清理。数据清洗主要包含无效值:如65535等数据;超范围数据:如电芯电压的正常范围在不会超过4.5V等;突变值:如因电磁干扰或采样线虚接导致的电压的突然跳变,随后恢复稳定。
S103:根据预处理后的电池组状态数据,提取特征因子。
在本实施例中,提取特征因子为模型训练的关键,选取对电芯风险失效贡献率较高的特征因子会带来更高的查准率和查全率,基于电芯机理,提取电池充电工况和电池放电工况下的电池组的特征因子,需要说明的是充放电工况自身也是特征因子。
在一实施方式中,根据预处理后的电池组状态数据,提取特征因子,包括:从所述预处理后的电池组状态数据获取电压数据列表,根据所述电压数据列表提取电压类特征因子。
在本实施例中,从预处理后的电池组状态数据中提取电压数据,如168个电芯的电压数据以列表形式存储,所述电压数据列表为一个一维数组,其长度为168,形成一个电压数据列表volt_arr,分析电压数据列表,获取电压数据列表中的4个电压类特征因子,分别为:Feature_1:电压的最大值volt_max,Feature_2:电压的最小值volt_min,Feature_3:电压的平均值volt_avg,Feature_4:电压标准差volt_std。
需要补充的是,电压类特征因子还包括Feature_5:电压压差特征因子,电压的最大值与电压的最小值值的差值,即volt_max-volt_min;电压类特征因子还包括Feature_6:电压列表样本熵,电压数据列表中单体电压的分辨率为1mv,需要说明的是单体电压的分辨率指的是测量单个电池电压时所能达到的最小电压单位,将电芯间不一致的电压容允度设置为10mv,则电压列表的样本熵其中,pi为每个电芯电压落在给定容差内的概率,m为电芯的个数。
需要补充的是,电压类特征因子还包括Feature_7:电压列表的时序样本熵,提取电压列表的时序样本熵,包括选取滑动窗口长度,沿着时序依次向下按照窗口滑动,依次获取每个电芯在当前时刻的电压列表样本熵累加与滑动窗口长度滑动的时刻,将其作为电压列表的时序样本熵/>其中,w表示滑动窗口的长度,如w=50,则表示50个时刻的电压列表样本熵进行累加。电压类特征因子还包括Feature_8:压差的峭度特征因子/>其中xi为压差,μ为电压平均值,n为预设时间内不同时刻采集的样本量,σ为标准差;电压类特征因子还包括Feature_9:压差的偏斜度特征因子/>其中xi为压差,μ为电压平均值,n为预设时间内不同时刻采集的样本量,σ为标准差;电压类特征因子还包括Feature_10:压差的变异特征因子/>其中xi为压差,n为预设时间内不同时刻采集的样本量,μmean为电压列表平均值的平电压;电压类特征因子还包括Feature_11:压差的波形特征因子/>其中xi为压差,n为预设时间内不同时刻采集的样本量,xmean为压差的平均值。
在一实施方式中,从所述预处理后的电池组状态数据获取温度数据列表,根据所述温度数据列表提取温度类特征因子。
在本实施例中,提取温度类特征因子首先需要获取温度列表,如84个温度采样点的温度数据以列表形式存储,形成一个温度数据列表temp_arr,temp_arr为一个一维数组,其长度为84,分析温度数据列表得到4个温度类特征因子,分别为:Feature_12:温度最大值temp_max、Feature_13:温度最小值temp_min、Feature_14:温度平均值temp_avg和Feature_15:温度标准差temp_std。
在一实施方式中,从所述预处理后的电池组状态数据获取电流数据列表,根据所述电流数据列表提取电流类特征因子。
在本实施例中,选取滑动窗口w=50,沿着时序依次求电流类的4个特征因子,分别为:Feature_16:电流的平均值curr_avg,Feature_17:电流的最大值curr_max,Feature_18:电流的最小值curr_min,Feature_19:电流的标准差curr_std。
在一实施方式中,从所述预处理后的电池组状态数据获取所述电池组的电荷数据,将所述电荷数据作为电荷特征因子。
在本实施例中,特征因子还包括Feature_20:电荷特征因子,将上传到云端平台的电荷状态数据作为提取到的电荷特征因子。
在一实施方式中,所述特征因子还包括充放电工况特征因子,提取所述充放电工况特征因子,包括:
确认充电状态是否无效且检查车辆状态是否无效或异常;
若充电状态无效且车辆状态无效或异常;则判断电池组的电流在预设时间内是否持续超过所述电池组的电流阈值,若所述电流在预设时间内持续超过所述电池组的电流阈值,则所述电池组为放电工况特征因子;
若充电状态有效,则判断充电状态是否为预设类别,若充电状态为预设类别,则所述电池组为充电工况特征因子。
在本实施例中,充电状态包括1-停车充电2-行驶充电3-未充电4-充电完成254-异常255-无效,车辆状态包括1-启动,2-熄火,3-其他,254-异常,255-无效,发送到云端平台的充电状态数据和车辆状态数据按照GB32960对字段的规范进行定义,通过编写程序或使用相关软件工具来自动检查充电状态口的逻辑判断是否为255和车辆状态口的逻辑判断是否255或254。
具体的,若充电状态口的逻辑判断为255且车辆状态口的车辆状态口的逻辑判断为255或254,则进一步判断电流是否在预设时间内持续超过电池组的电流阈值,需要说明的是预设时间和电流阈值的具体值可能因应用场景和电池组特性而有所不同,一般来说,预设时间是相对较短的时间段,例如几秒钟或几分钟,以便能够捕捉到电流的快速变化,而电流阈值则可以根据电池组的规格和设计来设定,以确保安全和准确的放电状态判断。在实际应用中,预设时间和电流阈值的选择需要根据具体的应用场景和电池组特性进行实验和验证,以确保准确的放电状态判断,如果电流在预设时间内持续超过阈值,那么可以判断电池组为放电工况特征因子,因此特征因子还包括Feature_21:放电工况特征因子。
具体的,若充电状态口的逻辑判断不是255或254,则表示充电状态有效,需要进一步判断充电状态是否属于预设类别,预设类别则是指特定的充电状态值,比如“1-停车充电”和“2-行驶充电”,若充电状态为预设类别,则所述电池组为充电工况特征因子,因此特征因子还包括Feature_22:充电工况特征因子。
S104:根据不同时刻的电池组状态数据对应的特征因子,构建第一特征矩阵,并对所述第一特征矩阵进行降维处理得到第二特征矩阵。
在本实施例中,采集不同时刻的电池组状态数据对应的特征因子,构造一个预设时间内的特征矩阵,并对特征矩进行降维,降维可以将高维数据映射到低维空间,尽可能保留原有特征因子中的重要特征,减少计算复杂度,提高计算效率。
在一实施方式中,参见图2,所述根据不同时刻的电池组状态数据对应的特征因子,构建第一特征矩阵,并对所述第一特征矩阵进行降维处理得到第二特征矩阵,包括:
S201:将所述第一特征矩阵的列进行均值归一化。
在本实施例中,将第一特征矩阵中的征因子按列进行字段归一化和标准缩放化处理,主要包含字段、单位,范围的统一标准与归一化,防止不同尺度,如不同电荷状态尺度等的计算对模型造成不稳定性。使用均一归一化处理然后再进行标准化缩放处理其中,xi为特征因子,xmean为某一种特征因子的平均值,xstd为某一种特征因子的标准差,xmax-xmin为某一种特征因子的最大值与最小值之差。
S202:计算归一化后的第一特征矩阵的协方差矩阵,并求取所述协方差矩阵的特征值及所述特征值对应的特征向量。
在本实施例中,第一矩阵X由n个时刻对应的特征因子m列构成,利用公式计算出第一矩阵的协方差矩阵,并求取所述协方差矩阵的特征值及所述特征值对应的特征向量。
S203:将所述特征向量按对应的特征值大小从大到小排列,按预设比例截取固定数量的特征向量得到中间特征矩阵。
在本实施例中,首先,将协方差矩阵的特征向量按其对应的特征值从大到小进行排序,根据预设的比例,确定要截取的特征向量的数量,例如,如果预设比例为0.2,则表示要截取前20%的特征向量,构建k行的中间特征矩阵P。
S204:将所述第一特征矩阵和所述中间特征矩阵相乘得到第二特征矩阵。
在本实施例中,第二特征矩阵Y=P×X,第一特征矩阵降维为k维的第二特征矩阵,减缓了第一矩阵维度灾难难题。
S105:根据所述第二特征矩阵构建差异化特征模型,所述差异化特征模型根据预设时间内的所有电池组状态数据,输出电池组安全状态评分。
在本实施例中,第二特征矩阵也就是降维后的电池组状态数据对应的特征因子矩阵,通过该矩阵构建差异化特征模型,此模型的输出为电池组的安全评分。
在一实施方式中,所述根据所述第二特征矩阵构建差异化特征模型,所述差异化特征模型根据预设时间内的所有电池组状态数据,输出电池组安全状态评分,包括:选取所述第二特征矩阵的任一个特征向量;将某一特征因子对应的第二特征矩阵的列与所述特征向量进行计算,得到偏离程度;将所述列与第二特征矩阵的所有特征向量对应的偏离程度进行累加,得到所述电池组的异常分数;将所述异常分数映射到固定区间,根据映射后的异常分数得到所述电池组的安全状态评分。
在本实施例中,对降维后的第二特征矩阵的特征值分解,得到特征向量,特征向量反映了电池组状态数据的特征因子的方差变化的不同方向,特征值为特征因子在对应方向的方差大小,因此最大特征值对应的特征向量为特征因子方差最大的方向,最小特征值对应的特征向量为特征因子方差最小的方向,若某特征因子在某些特征方向上跟其它特征因子偏离较大,则该特征因子识别为异常特征因子。
具体的,对于提取的第二矩阵的某一个特征向量,特征因子在该特征向量方向上的偏离程度为其中,xi为特征因子,ej为特征向量,λj为该特征向量对应的特征值。将该特征因子在所有特征方向的偏离程度进行累加,得到该特征因子的异常分数其中n表示第二矩阵特征向量的个数。
具体的,将所有特征因子对应的异常分数进行最大最小归一化并进行百分制缩放后,进行反向计算,其公式为 scorefi为最终得到与提取到的特征因子个数对应的安全状态评分,将所有计算得到的scorefi组成列表,得到电池组的安全状态评分列表。
在一实施方式中,所述方法还包括:所述云端平台设置安全分数阈值;判断所述安全状态评分是否小于安全分数阈值;若所述安全状态评分小于所述安全分数阈值,则所述云端平台推送告警给管理终端。
在本实施例中,参见图3,模型预估电池组的安全状态评分,当分数低于安全分数阈值,如安全分数阈值为60分,则差异化特征模型提前识别存在安全风险的异常电芯,云端平台将主动预警,将异常电芯的风险信号推送告警给管理端,管理端提前干预,将快速将风险电池隔离,主动预警以防止极端事故发生。
本实施例提供的电池组安全状态评分方法,车载电池管理***采集预设时间内某一时刻的电池组状态数据,并将其上传至车载终端,所述车载终端将所述电池组状态数据上传至云端平台;所述云端平台接收所述电池组状态数据,并将其进行预处理;根据预处理后的电池组状态数据,提取特征因子;根据不同时刻的电池组状态数据对应的特征因子,构建第一特征矩阵,并对所述第一特征矩阵进行降维处理得到第二特征矩阵;根据所述第二特征矩阵构建差异化特征模型,所述差异化特征模型根据预设时间内的所有电池组状态数据,输出电池组安全状态评分,本方案通过提取特征因子来构建特征矩阵,通过特征矩阵构造差异化特征模型,输出电池组安全状态评分,对电池组的变化状态进行量化,提高电池安全系数。
实施例2
此外,本申请实施例提供了一种电池组安全状态评分装置,应用于电子设备。
如图4所示,电池组安全状态评分装置400包括:
采集模块401,用于通过车载电池管理***采集预设时间内某一时刻的电池组状态数据,并将其上传至车载终端,所述车载终端将所述电池组状态数据上传至云端平台;
预处理模块402,用于通过所述云端平台接收所述电池组状态数据,并将其进行预处理;
提取模块403,用于根据预处理后的电池组状态数据,提取特征因子;
降维模块404,用于根据不同时刻的电池组状态数据对应的特征因子,构建第一特征矩阵,并对所述第一特征矩阵进行降维处理得到第二特征矩阵;
输出模块405,用于根据所述第二特征矩阵构建差异化特征模型,所述差异化特征模型根据预设时间内的所有电池组状态数据,输出电池组安全状态评分。
可选的,所示提取模块403,还用于通过从所述预处理后的电池组状态数据获取电压数据列表,根据所述电压数据列表提取电压类特征因子;
通过从所述预处理后的电池组状态数据获取温度数据列表,根据所述温度数据列表提取温度类特征因子;
通过从所述预处理后的电池组状态数据获取电流数据列表,根据所述电流数据列表提取电流类特征因子;
通过从所述预处理后的电池组状态数据获取所述电池组的电荷数据,将所述电荷数据作为电荷特征因子。
所述特征因子还包括充放电工况特征因子,可选的,所示提取模块403,还用于提取所述充放电工况特征因子,包括:确认充电状态是否无效且检查车辆状态是否无效或异常;
若充电状态无效且车辆状态无效或异常;则判断电池组的电流在预设时间内是否持续超过所述电池组的电流阈值,若所述电流在预设时间内持续超过所述电池组的电流阈值,则所述电池组为放电工况特征因子;
若充电状态有效,则判断充电状态是否为预设类别,若充电状态为预设类别,则所述电池组为充电工况特征因子。
可选的,所示降维模块404,还用于通过将所述第一特征矩阵的列进行均值归一化;
计算归一化后的第一特征矩阵的协方差矩阵,并求取所述协方差矩阵的特征值及所述特征值对应的特征向量;
将所述特征向量按对应的特征值大小从大到小排列,按预设比例截取固定数量的特征向量得到中间特征矩阵;
将所述第一特征矩阵和所述中间特征矩阵相乘得到第二特征矩阵。
可选的,所示输出模块405,还用于选取所述第二特征矩阵的任一个特征向量;
将某一特征因子对应的第二特征矩阵的列与所述特征向量进行计算,得到偏离程度;
将所述列与第二特征矩阵的所有特征向量对应的偏离程度进行累加,得到所述电池组的异常分数;
将所述异常分数映射到固定区间,根据映射后的异常分数得到所述电池组的安全状态评分。
可选的,所示电池组安全状态评分装置还包括告警模块,用于所述云端平台设置安全分数阈值;
判断所述安全状态评分是否小于安全分数阈值;
若所述安全状态评分小于所述安全分数阈值,则所述云端平台推送告警给管理终端。
可选的,所示采集模块401,还用于通过所述车载终端按照特定协议将所述电池组状态数据加密为二进制电池组状态数据。
本实施例提供的电池组安全状态评分装置400可以实现实施例1所提供的电池组安全状态评分方法,为避免重复,在此不再赘述。
本实施例提供的电池组安全状态评分装置,车载电池管理***采集预设时间内某一时刻的电池组状态数据,并将其上传至车载终端,所述车载终端将所述电池组状态数据上传至云端平台;所述云端平台接收所述电池组状态数据,并将其进行预处理;根据预处理后的电池组状态数据,提取特征因子;根据不同时刻的电池组状态数据对应的特征因子,构建第一特征矩阵,并对所述第一特征矩阵进行降维处理得到第二特征矩阵;根据所述第二特征矩阵构建差异化特征模型,所述差异化特征模型根据预设时间内的所有电池组状态数据,输出电池组安全状态评分。本方案通过提取特征因子来构建特征矩阵,通过特征矩阵构造差异化特征模型,输出电池组安全状态评分分数,对电池组的变化状态进行量化,提高电池安全系数。
实施例3
此外,本申请实施例提供了一种电子设备,包括存储器以及处理器,所述存储器存储有计算机程序,所述计算机程序在所述处理器上运行时执行实施例1所提供的电池组安全状态评分方法。
本发明实施例提供的电子设备,可以执行上述方法实施例1所提供的电池组安全状态评分方法的步骤,为避免重复,在此不再赘述。
实施例4
本申请还提供一种计算机可读存储介质,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现实施例1所提供的电池组安全状态评分方法。
在本实施例中,计算机可读存储介质可以为只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等。
本实施例提供的计算机可读存储介质可以实现实施例1所提供的电池组安全状态评分方法,为避免重复,在此不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者终端中还存在另外的相同要素。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
上面结合附图对本申请的实施例进行了描述,但是本申请并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本申请的启示下,在不脱离本申请宗旨和权利要求所保护的范围情况下,还可做出很多形式,均属于本申请的保护之内。
Claims (10)
1.一种电池组安全状态评分方法,其特征在于,所述方法包括:
车载电池管理***采集预设时间内某一时刻的电池组状态数据,并将其上传至车载终端,所述车载终端将所述电池组状态数据上传至云端平台;
所述云端平台接收所述电池组状态数据,并将其进行预处理;
根据预处理后的电池组状态数据,提取特征因子;
根据不同时刻的电池组状态数据对应的特征因子,构建第一特征矩阵,并对所述第一特征矩阵进行降维处理得到第二特征矩阵;
根据所述第二特征矩阵构建差异化特征模型,所述差异化特征模型根据预设时间内的所有电池组状态数据,输出电池组安全状态评分。
2.根据权利要求1所述的方法,其特征在于,根据预处理后的电池组状态数据,提取特征因子,包括:
从所述预处理后的电池组状态数据获取电压数据列表,根据所述电压数据列表提取电压类特征因子;
从所述预处理后的电池组状态数据获取温度数据列表,根据所述温度数据列表提取温度类特征因子;
从所述预处理后的电池组状态数据获取电流数据列表,根据所述电流数据列表提取电流类特征因子;
从所述预处理后的电池组状态数据获取所述电池组的电荷数据,将所述电荷数据作为电荷特征因子。
3.根据权利要求2所述的方法,其特征在于,所述特征因子还包括充放电工况特征因子,提取所述充放电工况特征因子,包括:
确认充电状态是否无效且检查车辆状态是否无效或异常;
若充电状态无效且车辆状态无效或异常;则判断电池组的电流在预设时间内是否持续超过所述电池组的电流阈值,若所述电流在预设时间内持续超过所述电池组的电流阈值,则所述电池组为放电工况特征因子;
若充电状态有效,则判断充电状态是否为预设类别,若充电状态为预设类别,则所述电池组为充电工况特征因子。
4.根据权利要求3所述的方法,其特征在于,所述根据不同时刻的电池组状态数据对应的特征因子,构建第一特征矩阵,并对所述第一特征矩阵进行降维处理得到第二特征矩阵,包括:
将所述第一特征矩阵的列进行均值归一化;
计算归一化后的第一特征矩阵的协方差矩阵,并求取所述协方差矩阵的特征值及所述特征值对应的特征向量;
将所述特征向量按对应的特征值大小从大到小排列,按预设比例截取固定数量的特征向量得到中间特征矩阵;
将所述第一特征矩阵和所述中间特征矩阵相乘得到第二特征矩阵。
5.根据权利要求4所述的方法,其特征在于,所述根据所述第二特征矩阵构建差异化特征模型,所述差异化特征模型根据预设时间内的所有电池组状态数据,输出电池组安全状态评分,包括:
选取所述第二特征矩阵的任一个特征向量;
将某一特征因子对应的第二特征矩阵的列与所述特征向量进行计算,得到偏离程度;
将所述列与第二特征矩阵的所有特征向量对应的偏离程度进行累加,得到所述电池组的异常分数;
将所述异常分数映射到固定区间,根据映射后的异常分数得到所述电池组的安全状态评分。
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
所述云端平台设置安全分数阈值;
判断所述安全状态评分是否小于安全分数阈值;
若所述安全状态评分小于所述安全分数阈值,则所述云端平台推送告警给管理终端。
7.根据权利要求1所述的方法,其特征在于,所述车载终端将所述电池组状态数据上传至云端平台之前,所述方法还包括:
所述车载终端按照特定协议将所述电池组状态数据加密为二进制电池组状态数据。
8.一种电池组安全状态评分装置,其特征在于,所述装置包括:
采集模块,用于通过车载电池管理***采集预设时间内某一时刻的电池组状态数据,并将其上传至车载终端,所述车载终端将所述电池组状态数据上传至云端平台;
预处理模块,用于通过所述云端平台接收所述电池组状态数据,并将其进行预处理;
提取模块,用于根据预处理后的电池组状态数据,提取特征因子;
降维模块,用于根据不同时刻的电池组状态数据对应的特征因子,构建第一特征矩阵,并对所述第一特征矩阵进行降维处理得到第二特征矩阵;
输出模块,用于根据所述第二特征矩阵构建差异化特征模型,所述差异化特征模型根据预设时间内的所有电池组状态数据,输出电池组安全状态评分。
9.一种电子设备,其特征在于,包括存储器以及处理器,所述存储器存储有计算机程序,所述计算机程序在所述处理器运行时执行权利要求1至7中任一项所述的电池组安全状态评分方法。
10.一种计算机可读存储介质,其特征在于,其存储有计算机程序,所述计算机程序在处理器上运行时执行权利要求1至7中任一项所述的电池组安全状态评分方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410088037.8A CN117706375A (zh) | 2024-01-22 | 2024-01-22 | 电池组安全状态评分方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410088037.8A CN117706375A (zh) | 2024-01-22 | 2024-01-22 | 电池组安全状态评分方法、装置、设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117706375A true CN117706375A (zh) | 2024-03-15 |
Family
ID=90159208
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410088037.8A Pending CN117706375A (zh) | 2024-01-22 | 2024-01-22 | 电池组安全状态评分方法、装置、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117706375A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117910708A (zh) * | 2024-03-19 | 2024-04-19 | 安徽中科蓝壹信息科技有限公司 | 一种城市大气温室气体监测点位选址方法及*** |
-
2024
- 2024-01-22 CN CN202410088037.8A patent/CN117706375A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117910708A (zh) * | 2024-03-19 | 2024-04-19 | 安徽中科蓝壹信息科技有限公司 | 一种城市大气温室气体监测点位选址方法及*** |
CN117910708B (zh) * | 2024-03-19 | 2024-06-21 | 安徽中科蓝壹信息科技有限公司 | 一种城市大气温室气体监测点位选址方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112858919B (zh) | 一种基于聚类分析的电池***在线故障诊断方法和*** | |
CN112092675B (zh) | 一种电池热失控预警方法、***及服务器 | |
Wang et al. | Voltage fault diagnosis and prognosis of battery systems based on entropy and Z-score for electric vehicles | |
CN109375116B (zh) | 一种基于自编码器的电池***异常电池识别方法 | |
CN117706375A (zh) | 电池组安全状态评分方法、装置、设备及可读存储介质 | |
EP4312299A2 (en) | Consistency evaluation method for vehicle battery cell, device, equipment and storage | |
CN110146817A (zh) | 锂电池故障的诊断方法 | |
CN113687234B (zh) | 电池异常识别方法、装置、设备、介质及程序产品 | |
CN111257753B (zh) | 一种电池***故障诊断方法 | |
EP3988952B1 (en) | Method for detecting abnormal battery cell | |
US20230059529A1 (en) | Characterization of Rechargeable Batteries Using Machine-Learned Algorithms | |
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*** | |
EP4155744A1 (en) | Device and method for diagnosing battery abnormality | |
CN117341476B (zh) | 一种电池压差故障预警方法及*** | |
CN112816881A (zh) | 电池压差异常检测方法、装置及计算机存储介质 | |
Kim et al. | Outlier mining-based fault diagnosis for multiceli lithium-ion batteries using a low-priced microcontroller | |
CN113791350A (zh) | 电池故障预测方法 | |
CN115219932A (zh) | 用于评价设备电池组的相对老化状态的方法和装置 | |
CN114578251A (zh) | 基于卷积神经网络的电池模组安全状态评估方法及装置 | |
CN115684936A (zh) | 一种基于机器学习的动力电池健康失效概率计算与健康失效图谱建立方法 | |
CN114036647A (zh) | 一种基于实车数据的动力电池安全风险评估方法 | |
CN114200323A (zh) | 电池短路故障预警信息生成方法和装置、设备、介质 | |
CN115327380A (zh) | 电池故障诊断方法、存储介质和电子设备 | |
CN114631032A (zh) | 用于监控电池组健康状况的方法和*** | |
CN113572161B (zh) | 一种抗灾保底电网的储能***在线状态监测和评估方法 |
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 |