CN117783872A - 动力电池的数据异常检测方法、装置、服务器及存储介质 - Google Patents
动力电池的数据异常检测方法、装置、服务器及存储介质 Download PDFInfo
- Publication number
- CN117783872A CN117783872A CN202311813290.7A CN202311813290A CN117783872A CN 117783872 A CN117783872 A CN 117783872A CN 202311813290 A CN202311813290 A CN 202311813290A CN 117783872 A CN117783872 A CN 117783872A
- Authority
- CN
- China
- Prior art keywords
- data
- voltage
- battery
- power battery
- matrix
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 44
- 230000005856 abnormality Effects 0.000 title claims description 27
- 230000002159 abnormal effect Effects 0.000 claims abstract description 100
- 239000011159 matrix material Substances 0.000 claims abstract description 93
- 238000000034 method Methods 0.000 claims abstract description 33
- 239000000178 monomer Substances 0.000 claims abstract description 11
- 238000004140 cleaning Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 14
- 238000009499 grossing Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 abstract description 10
- 238000005516 engineering process Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000003491 array Methods 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013112 stability test Methods 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 229910052744 lithium Inorganic materials 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
- 230000035772 mutation Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Secondary Cells (AREA)
Abstract
本申请涉及一种动力电池的数据异常检测方法、装置、服务器及存储介质,其中,方法包括:获取动力电池的多个电池单体在预设时长的电压数据;根据多个电池单体的电压数据生成动力电池的电压差分矩阵,根据电压差分特征值生成电压差分特征矩阵;判断电压差分特征矩阵的每列向量的时间序列是否达到预设平稳性条件,识别未达到预设平稳性条件下非平稳序列对应的数据异常单体序号及对应时间,根据数据异常单体序号及对应时间识别电压数据的异常风险。由此,解决了相关技术中,难以有效分辨电池性能的异常变化或***中电压数据的采样异常,异常检测准确率低,易导致故障误报,影响车辆的正常运行,甚至导致电池的过充、过放,进而引发安全事故等问题。
Description
技术领域
本申请涉及汽车动力电池技术领域,特别涉及一种动力电池的数据异常检测方法、装置、服务器及存储介质。
背景技术
随着产业的快速发展,新能源汽车安全事故逐渐引起广泛关注,急需对电池安全信息进行有效监控,及时预警,利用智能网联技术,在车联网平台实现预警模型算法,有效监控并筛选动力电池数据,实现及时分析或预测风险,快速采取问题识别、反馈、处理等措施,降低由此引起事故,并不断提升产品功性能。动力电池电压数据异常是动力电池及电池管理***故障的一个重要特征,电池***的运行及健康状态都会反映在数据层面,数据异常可以表征电池或管理***的异常状态。
相关技术中,可以获取数据清洗后的电压数据,对得到的各单体电池的电压相关系数使用统计学工具Z分数,设定电池电压异常系数故障判定阈值,不同工况下简单对比评价参数阈值,或从具体采样故障的特例数据分析数据特征的方法判定采样故障,实现动力电池电压不一致性故障预警。
然而,相关技术中,仅识别相应故障模型下的数据采集异常,难以有效分辨电池性能的异常变化或***中电压数据的采样异常,异常检测准确率低,易导致故障误报,同时还会导致***误判,影响车辆的正常运行,甚至导致电池的过充、过放,进而引发安全事故,亟待改善。
发明内容
本申请提供一种动力电池的数据异常检测方法、装置、服务器及存储介质,以解决相关技术中,仅识别相应故障模型下的数据采集异常,难以有效分辨电池性能的异常变化或***中电压数据的采样异常,异常检测准确率低,易导致故障误报,同时还会导致***误判,影响车辆的正常运行,甚至导致电池的过充、过放,进而引发安全事故等问题。
本申请第一方面实施例提供一种动力电池的数据异常检测方法,应用于动力电池在线检测阶段,其中,所述方法包括以下步骤:获取动力电池的多个电池单体在预设时长的电压数据;根据所述多个电池单体的电压数据生成所述动力电池的电压差分矩阵,基于所述电压差分矩阵的每列向量提取所述电压差分矩阵的电压差分特征值,并根据所述电压差分特征值生成电压差分特征矩阵;以及判断所述电压差分特征矩阵的每列向量的时间序列是否达到预设平稳性条件,其中,若所述时间序列未达到所述预设平稳性条件,则识别未达到所述预设平稳性条件下非平稳序列对应的数据异常单体序号及对应时间,并根据所述数据异常单体序号及对应时间识别所述电压数据的异常风险,以确定所述电压数据中的异常数据。
可选地,在本申请的一个实施例中,所述获取动力电池的多个电池单体在预设时长的电压数据,还包括:识别所述动力电池的电池类型,并根据所述电池类型获取所述动力电池的各参数输入数据;对所述各参数输入数据进行数据清洗,以根据所述电池类型确定的SOC范围得到所述多个电池单体在所述预设时长的电压数据。
可选地,在本申请的一个实施例中,所述根据所述多个电池单体的电压数据生成所述动力电池的电压差分矩阵,包括:根据所述动力电池的时间序列生成所述动力电池的矩阵,并计算所述动力电池的每一电池单体的电压数据与前一帧的电压数据的差分,以结合所述矩阵生成所述动力电池的电压差分矩阵。
可选地,在本申请的一个实施例中,所述基于所述电压差分矩阵的每列向量提取所述电压差分矩阵的电压差分特征值,包括:计算所述电压差分矩阵中每一帧电压差分数据的中位数,并根据当前帧的电池单体的电压差分值与所述中位数的差,得到每列的所述电压差分特征值。
可选地,在本申请的一个实施例中,所述根据所述电压差分特征值生成电压差分特征矩阵,包括:基于所述电压差分特征值和动力电池的特征矩阵,得到所述时间序列下动力电池的特征值;将所述动力电池的特征值进行数据平滑处理,生成所述电压差分特征矩阵。
可选的,在本申请的一个实施例中,所述识别所述电压数据的异常风险,包括:根据所述非平稳序列向量的异常频次与持续时长确认异常风险等级,以识别所述电压数据的异常风险。
本申请第二方面实施例提供一种动力电池的数据异常检测装置,应用于动力电池在线检测阶段,其中,所述装置包括:获取模块,用于获取动力电池的多个电池单体在预设时长的电压数据;生成模块,用于根据所述多个电池单体的电压数据生成所述动力电池的电压差分矩阵,基于所述电压差分矩阵的每列向量提取所述电压差分矩阵的电压差分特征值,并根据所述电压差分特征值生成电压差分特征矩阵;以及检测模块,用于判断所述电压差分特征矩阵的每列向量的时间序列是否达到预设平稳性条件,其中,若所述时间序列未达到所述预设平稳性条件,则识别未达到所述预设平稳性条件下非平稳序列对应的数据异常单体序号及对应时间,并根据所述数据异常单体序号及对应时间识别所述电压数据的异常风险,以确定所述电压数据中的异常数据。
可选地,在本申请的一个实施例中,所述获取模块包括:获取单元,用于识别所述动力电池的电池类型,并根据所述电池类型获取所述动力电池的各参数输入数据;清洗单元,用于对所述各参数输入数据进行数据清洗,以根据所述电池类型确定的SOC范围得到所述多个电池单体在所述预设时长的电压数据。
可选地,在本申请的一个实施例中,所述生成模块包括:第一生成单元,用于根据所述动力电池的时间序列生成所述动力电池的矩阵,并计算所述动力电池的每一电池单体的电压数据与前一帧的电压数据的差分,以结合所述矩阵生成所述动力电池的电压差分矩阵。
可选地,在本申请的一个实施例中,所述生成模块包括:第二生成单元,用于计算所述电压差分矩阵中每一帧电压差分数据的中位数,并根据当前帧的电池单体的电压差分值与所述中位数的差,得到每列的所述电压差分特征值。
可选地,在本申请的一个实施例中,所述生成模块包括:第三生成单元,用于基于所述电压差分特征值和所述动力电池的特征矩阵,得到所述时间序列下动力电池的特征值;第四生成单元,用于将所述动力电池的特征值进行数据平滑处理,生成所述电压差分特征矩阵。
可选地,在本申请的一个实施例中,所述判断模块包括:确认单元,用于根据所述非平稳序列向量的异常频次与持续时长确认异常风险等级。
本申请第三方面实施例提供一种服务器,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序,以实现如上述实施例所述的动力电池的数据异常检测方法。
本申请第四方面实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储计算机程序,该程序被处理器执行时实现如上的动力电池的数据异常检测方法。
本申请实施例可以实时采集动力电池数据,分析动力电池电压及压差数据序列的平稳性,分辨电压数据异常风险,通过数据特征分析判断电池异常风险类型、问题点及风险级别,对检测及采集条件要求低,排除短时变量影响因素,受干扰因素少,异常检测准确率高,且提高了数据组间可对比性和准确率。由此,解决了相关技术中,仅识别相应故障模型下的数据采集异常,难以有效分辨电池性能的异常变化或***中电压数据的采样异常,易导致故障误报,同时还会导致***误判,影响车辆的正常运行,甚至导致电池的过充、过放,进而引发安全事故等问题。
本申请附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本申请实施例提供的一种动力电池的数据异常检测方法的流程图;
图2为根据本申请一个实施例的动力电池的数据异常检测方法的流程图;
图3为根据本申请实施例提供的一种动力电池的数据异常检测装置的结构示意图;
图4为根据本申请实施例提供的服务器的结构示意图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的动力电池的数据异常检测方法、装置、服务器及存储介质。针对上述背景技术中提到的相关技术中,仅识别相应故障模型下的数据采集异常,难以有效分辨电池性能的异常变化或***中电压数据的采样异常,异常检测准确率低,易导致故障误报,同时还会导致***误判,影响车辆的正常运行,甚至导致电池的过充、过放,进而引发安全事故的问题,本申请提供了一种动力电池的数据异常检测方法,在该方法中,可以实时采集动力电池数据,分析动力电池电压及压差数据序列的平稳性,分辨电压数据异常风险,再通过数据特征分析判断电池异常风险类型、问题点及风险级别,对检测及采集条件要求低,排除短时变量影响因素,受干扰因素少,准确率高,且提高了数据组间可对比性和准确率。由此,解决了相关技术中,仅识别相应故障模型下的数据采集异常,难以有效分辨电池性能的异常变化或***中电压数据的采样异常,异常检测准确率低,易导致故障误报,同时还会导致***误判,影响车辆的正常运行,甚至导致电池的过充、过放,进而引发安全事故等问题。
具体而言,图1为本申请实施例所提供的一种动力电池的数据异常检测方法的流程示意图。
如图1所示,该动力电池的数据异常检测方法,应用于动力电池在线检测阶段,其中,方法包括以下步骤:
在步骤S101中,获取动力电池的多个电池单体在预设时长的电压数据。
可以理解的是,本申请实施例中的动力电池为车辆***的动力来源,影响着车辆的续航里程和安全性等;本申请实施例在预设时长的电压数据可以但不限于为在24小时内的电压数据。
在实际执行过程中,本申请实施例可以进行数据采集与处理,通过获取动力电池的多个电池单体在一定时长的电压数据,如通过电压传感器检测电压,以获取动力电池的多个电池单体在24小时内的电压数据,从而有利于清洗异常值、空值等数据问题。
本申请实施例可以通过获取动力电池的多个电池单体在一定时长的电压数据,实现多工况下电压数据趋势的特征提取,为电池异常的识别提供支撑,提高异常检测的准确性。
需要说明的是,预设时长可以由本领域技术人员根据实际情况进行设置,在此不作具体限制。
可选地,在本申请的一个实施例中,获取动力电池的多个电池单体在预设时长的电压数据,包括:识别动力电池的电池类型,并根据电池类型获取动力电池的各参数输入数据;对各参数输入数据进行数据清洗,以根据电池类型确定的SOC范围得到多个电池单体在预设时长的电压数据。
可以理解的是,本申请实施例中的动力电池的电池类型可以包括化学电池(蓄电池和燃料电池)、物理电池(锂电池)和生物电池三大种类;本申请实施例中的动力电池各参数包括但不限于SOC(State of Charge,电池的荷电状态)、能量密度、放电倍率、电压和容量等。
作为一种可能实现的方式,本申请实施例可以识别动力电池的电池类型,根据动力电池各参数的阈值范围,获取动力电池的各参数输入数据,并对各参数输入数据进行数据清洗,例如,获取SOC数据,并对SOC进行数据清洗,以根据电池类型,选取电池电压平台对应SOC的范围,将超出范围的数据删除,从而得到多个电池单体在一定时长的电压数据,本申请实施例可以将超出范围的数据删除,从而得到多个电池单体在3小时内的电压数据。
本申请实施例可以提取车辆单体电芯电压数据,并进行一定的清洗处理,从而有利于数据特征的提取,便于准确和识别动力电池的异常,精准度高,覆盖范围广。
需要说明的是,预设时长可以由本领域技术人员根据实际情况进行设置,在此不作具体限制。
在步骤S102中,根据多个电池单体的电压数据生成动力电池的电压差分矩阵,提取电压差分矩阵的电压差分特征值,基于电压差分矩阵的每列向量根据电压差分特征值生成电压差分特征矩阵。
可以理解的是,本申请实施例中的动力电池可以由数个电池单体组成,多个电池单体的电压数据可以生成动力电池的电压差分矩阵。
在实际执行过程中,本申请实施例可以根据多个电池单体的电压数据生成动力电池的电压差分矩阵,通过公式计算,基于电压差分矩阵的每列向量提取电压差分矩阵的电压差分特征值,并根据电压差分特征值生成电压差分特征矩阵,从而利用电池电压单体数据间的关系,实现平稳序列特征数据的提取。
本申请实施例可以提取电压差分矩阵的电压差分特征值,并根据电压差分特征值生成电压差分特征矩阵,如通过矩阵数据分析法利用大数据理论,保证检测及采集条件要求低,排除短时变量影响因素,受干扰因素少,准确率高。
可选地,在本申请的一个实施例中,根据多个电池单体的电压数据生成动力电池的电压差分矩阵,包括:根据动力电池的时间序列生成动力电池的矩阵,并计算动力电池的每一电池单体的电压数据与前一帧的电压数据的差分,以结合矩阵生成动力电池的电压差分矩阵。
可以理解的是,本申请实施例中的动力电池为车辆***的动力来源,影响着车辆的续航里程和安全性等;本申请实施例中每一电池单体可以为列向量Vj,电压数据可以为Vij,动力电池差分可以通过下述公式计算得到。
具体而言,本申请实施例可以提取多个电池单体的电压数据,记录并保留对应的Time(时间)和V(电压),根据动力电池的时间序列生成动力电池的矩阵,并计算动力电池的每一电池单体(列向量Vj)的电压数据Vij与前一帧的电压数据的差分△Vij=Vi(j+1)-Vij,形成动力电池的电压差分矩阵。
本申请实施例可以规范数据特征的提取,实现多工况下电压数据趋势的特征提取,利用单体电压数据间的协整关系,生成时间序列模型,为实现电池异常的识别与风险等级判定提供支撑。
可选地,在本申请的一个实施例中,基于电压差分矩阵的每列向量提取电压差分矩阵的电压差分特征值,包括:计算电压差分矩阵中每一帧电压差分数据的中位数,并根据当前帧的电池单体的电压差分值与中位数的差,得到每列的电压差分特征值。
可以理解的是,本申请实施例中电压差分矩阵中每一帧可以为行向量△Vi,电压差分特征值可以为△Vij’。
作为一种可能实现的方式,本申请实施例可以计算电压差分矩阵中每一帧(行向量△Vi)电压差分数据的中位数,使用当前帧所有的电池单体的电压差分值减去中位数,得到每列的电压差分特征值△Vij’。
本申请实施例可以根据当前帧的电池单体的电压差分值与中位数的差,得到每列的电压差分特征值,从而为数据处理提供支撑,保证处理的效率更快,准确率更高。
可选地,在本申请的一个实施例中,根据电压差分特征值生成电压差分特征矩阵,包括:基于电压差分特征值和动力电池的特征矩阵,得到时间序列下动力电池的特征值;将动力电池的特征值进行数据平滑处理,生成电压差分特征矩阵。
可以理解的是,本申请实施例中的时间序列是按照数值发生的时间先后顺序排列而成的数列;本申请实施例中的数据平滑处理可以为对时间序列数据进行平滑处理。
在实际执行过程中,本申请实施例可以基于电压差分特征值和动力电池的特征矩阵,得到时间序列下动力电池的特征值,采用均值滤波的方式对每一列计算所得特征值即V’值进行数据平滑处理,其中,每一列代表每个电池电芯的时间序列(平滑处理的窗口宽度a(a=100)的选取可根据运行的应用场景设定,步长b=50,对应时间以窗口内最后一点的时间标记),从而得到电压差分特征矩阵。
本申请实施例可以对特征矩阵进行异常识别,保证本申请不局限于短时间数据及特有故障形式,从数据趋势分析,识别异常特征,适用于任何体系的动力电池***,更关注广义的数据异常。
在步骤S103中,判断电压差分特征矩阵的每列向量的时间序列是否达到预设平稳性条件,其中,若时间序列未达到预设平稳性条件,则识别未达到预设平稳性条件下非平稳序列对应的数据异常单体序号及对应时间,并根据数据异常单体序号及对应时间识别电压数据的异常风险,以确定电压数据中的异常数据。
可以理解的是,本申请实施例在电池差分特征矩阵中,正常电压状态的每一列向量的时间序列具备平稳性,因此本申请实施例可以通过识别电压差分特征矩阵中每一列向量的平稳性,为后续确定电压数据中的异常数据提供支撑,例如,可以使用ADF(AugmentedDickey-Fuller,时间序列平稳性检验)检验方法检测序列是否是平稳的,当时间序列为非平稳时,通过检测非平稳序列对应的数据异常单体序号及对应时间,便可识别电压数据的异常风险;本申请实施例中的预设平稳性条件可以为时间序列的均值未发生***的变化。
在实际执行过程中,本申请实施例可以判断电压差分特征矩阵的每列向量的时间序列的平稳性,判断时间序列是否达到一定平稳性条件,如使用平稳性检验方法检测时间序列是否具备平稳性,在时间序列未达到一定平稳性条件时,识别未达到一定平稳性条件下非平稳序列对应的数据异常单体序号及对应时间,例如,本申请实施例可以通过平稳性检验方法如ADF检测时间序列是否具备平稳性,当时间序列不具备平稳性时,可以识别非平稳序列在评价周期24小时内输出数据异常单体序号及对应时间,根据数据异常单体序号及对应时间确定电压数据中的异常数据。
本申请实施例可以利用动力电池在评价周期内电压数据异常的识别方法应用电池电压数据平稳性作为评价标准,通过采集异常的电压数据平稳性特征识别风险,避免单次电压偶发异常导致的误判,同时利用各单体电压数据相关性识别所有异常单体的突变数据,以数据平稳性特征出发,检测异常变化数据作为评价参数,通用性识别特征,提高数据组间可对比性和准确率。
需要说明的是,预设平稳性条件可以由本领域技术人员根据实际情况进行设置,在此不作具体限制。
可选地,在本申请的一个实施例中,识别电压数据的异常风险,包括:根据非平稳序列向量的异常频次与持续时长确认异常风险等级,以识别电压数据的异常风险。
可以理解的是,本申请实施例中的非平稳序列向量的异常频次可以但不限于设为n;本申请实施例中的非平稳序列向量的持续时长可以但不限于设为m;本申请实施例中电压数据的异常风险可以根据异常风险等级具体判断。
作为一种可能实现的方式,本申请实施例可以在评价周期内,根据非平稳序列向量的异常频次与持续时长确认异常风险等级,例如,本申请实施例可以在评价周期24小时内,识别异常次数n或单次数持续时长m,并将其作为风险分级标准,提高数据组间可对比性和准确率。
本申请实施例可以根据非平稳序列向量的异常频次与持续时长确认异常风险等级,检测异常偏离数据,进一步地实现电池异常的识别与风险等级判定,提高异常检测准确率。
具体地,可以结合图2所示,以一个具体实施例对本申请实施例中的动力电池的数据异常检测方法的工作原理进行详细阐述。
如图2所示,本申请实施例可以包括以下步骤:
步骤S201:数据采集与清洗。
其中,本申请实施例可以获取动力电池的多个电池单体在预设时长的电压数据,并进行数据清洗。
步骤S202:特征值采集。
其中,本申请实施例可以根据多个电池单体的电压数据生成动力电池的电压差分矩阵,提取电压差分矩阵的电压差分特征值。
步骤S203:异常数据识别。
其中,本申请实施例可以根据数据异常单体序号及对应时间确定电压数据中的异常数据。
根据本申请实施例提出的动力电池的数据异常检测方法,可以实时采集动力电池数据,分析动力电池电压及压差数据序列的平稳性,分辨电压数据异常风险,再通过数据特征分析判断电池异常风险类型、问题点及风险级别,对检测及采集条件要求低,排除短时变量影响因素,受干扰因素少,准确率高,且提高了数据组间可对比性和准确率。由此,解决了相关技术中,仅识别相应故障模型下的数据采集异常,难以有效分辨电池性能的异常变化或***中电压数据的采样异常,异常检测准确率低,易导致故障误报,同时还会导致***误判,影响车辆的正常运行,甚至导致电池的过充、过放,进而引发安全事故的问题。
其次参照附图描述根据本申请实施例提出的动力电池的数据异常检测装置。
图3是本申请实施例的动力电池的数据异常检测装置的结构示意图。
如图3所示,该动力电池的数据异常检测装置10应用于动力电池在线检测阶段,其中,装置10包括:获取模块100、生成模块200和判断模块300。
具体地,获取模块100,用于获取动力电池的多个电池单体在预设时长的电压数据。
生成模块200,用于根据多个电池单体的电压数据生成动力电池的电压差分矩阵,基于电压差分矩阵的每列向量提取电压差分矩阵的电压差分特征值,并根据电压差分特征值生成电压差分特征矩阵。
判断模块300,用于判断电压差分特征矩阵的每列向量的时间序列是否达到预设平稳性条件,其中,若时间序列未达到预设平稳性条件,则识别未达到预设平稳性条件下非平稳序列对应的数据异常单体序号及对应时间,并根据数据异常单体序号及对应时间识别电压数据的异常风险,以确定电压数据中的异常数据。
可选地,在本申请的一个实施例中,获取模块100包括:获取单元和清洗单元。
其中,获取单元,用于识别动力电池的电池类型,并根据电池类型获取动力电池的各参数输入数据。
清洗单元,用于对各参数输入数据进行数据清洗,以根据电池类型确定的SOC范围得到多个电池单体在预设时长的电压数据。
可选地,在本申请的一个实施例中,生成模块200包括:第一生成单元。
其中,第一生成单元,用于根据动力电池的时间序列生成动力电池的矩阵,并计算动力电池的每一电池单体的电压数据与前一帧的电压数据的差分,以结合矩阵生成动力电池的电压差分矩阵。
可选地,在本申请的一个实施例中,生成模块200包括:第二生成单元。
其中,第二生成单元,用于计算电压差分矩阵中每一帧电压差分数据的中位数,并根据当前帧的电池单体的电压差分值与中位数的差,得到每列的电压差分特征值。
可选地,在本申请的一个实施例中,生成模块200还包括:第三生成单元和第四生成单元。
其中,第三生成单元,用于基于电压差分特征值和动力电池的特征矩阵,得到时间序列下动力电池的特征值。
第四生成单元,用于将动力电池的特征值进行数据平滑处理,生成电压差分特征矩阵。
可选地,在本申请的一个实施例中,判断模块300包括:确认单元。
其中,确认单元,用于根据非平稳序列向量的异常频次与持续时长确认异常风险等级,以识别电压数据的异常风险。
需要说明的是,前述对动力电池的数据异常检测方法实施例的解释说明也适用于该实施例的动力电池的数据异常检测装置,此处不再赘述。
根据本申请实施例提出的动力电池的数据异常检测装置,可以实时采集动力电池数据,分析动力电池电压及压差数据序列的平稳性,分辨电压数据异常风险,再通过数据特征分析判断电池异常风险类型、问题点及风险级别,对检测及采集条件要求低,排除短时变量影响因素,受干扰因素少,准确率高,且提高了数据组间可对比性和准确率。由此,解决了相关技术中,仅识别相应故障模型下的数据采集异常,难以有效分辨电池性能的异常变化或***中电压数据的采样异常,异常检测准确率低,易导致故障误报,同时还会导致***误判,影响车辆的正常运行,甚至导致电池的过充、过放,进而引发安全事故的问题。
图4为本申请实施例提供的服务器的结构示意图。该服务器可以包括:
存储器401、处理器402及存储在存储器401上并可在处理器402上运行的计算机程序。
处理器402执行程序时实现上述实施例中提供的动力电池的数据异常检测方法。
进一步地,服务器还包括:
通信接口403,用于存储器401和处理器402之间的通信。
存储器401,用于存放可在处理器402上运行的计算机程序。
存储器401可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
如果存储器401、处理器402和通信接口403独立实现,则通信接口403、存储器401和处理器402可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(Industry Standard Architecture,简称为ISA)总线、外部设备互连(PeripheralComponent,简称为PCI)总线或扩展工业标准体系结构(Extended Industry StandardArchitecture,简称为EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,图4中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
可选地,在具体实现上,如果存储器401、处理器402及通信接口403,集成在一块芯片上实现,则存储器401、处理器402及通信接口403可以通过内部接口完成相互间的通信。
处理器402可能是一个中央处理器(Central Processing Unit,简称为CPU),或者是特定集成电路(Application Specific Integrated Circuit,简称为ASIC),或者是被配置成实施本申请实施例的一个或多个集成电路。
本实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上的动力电池的数据异常检测方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“N个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行***、装置或设备(如基于计算机的***、包括处理器的***或其他可以从指令执行***、装置或设备取指令并执行指令的***)使用,或结合这些指令执行***、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行***、装置或设备或结合这些指令执行***、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或N个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,N个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种动力电池的数据异常检测方法,其特征在于,应用于动力电池在线检测阶段,其中,所述方法包括以下步骤:
获取动力电池的多个电池单体在预设时长的电压数据;
根据所述多个电池单体的电压数据生成所述动力电池的电压差分矩阵,基于所述电压差分矩阵的每列向量提取所述电压差分矩阵的电压差分特征值,并根据所述电压差分特征值生成电压差分特征矩阵;以及
判断所述电压差分特征矩阵的每列向量的时间序列是否达到预设平稳性条件,其中,若所述时间序列未达到所述预设平稳性条件,则识别未达到所述预设平稳性条件下非平稳序列对应的数据异常单体序号及对应时间,并根据所述数据异常单体序号及对应时间识别所述电压数据的异常风险,以确定所述电压数据中的异常数据。
2.根据权利要求1所述的方法,其特征在于,所述获取动力电池的多个电池单体在预设时长的电压数据,包括:
识别所述动力电池的电池类型,并根据所述电池类型获取所述动力电池的各参数输入数据;
对所述各参数输入数据进行数据清洗,以根据所述电池类型确定的SOC范围得到所述多个电池单体在所述预设时长的电压数据。
3.根据权利要求1所述的方法,其特征在于,所述根据所述多个电池单体的电压数据生成所述动力电池的电压差分矩阵,包括:
根据所述动力电池的时间序列生成动力电池的矩阵,并计算所述动力电池的每一电池单体的电压数据与前一帧的电压数据的差分,以结合所述矩阵生成所述动力电池的电压差分矩阵。
4.根据权利要求1所述的方法,其特征在于,所述基于所述电压差分矩阵的每列向量提取所述电压差分矩阵的电压差分特征值,包括:
计算所述电压差分矩阵中每一帧电压差分数据的中位数,并根据当前帧的电池单体的电压差分值与所述中位数的差,得到每列的所述电压差分特征值。
5.根据权利要求1所述的方法,其特征在于,所述根据所述电压差分特征值生成电压差分特征矩阵,包括:
基于所述电压差分特征值和动力电池的特征矩阵,得到所述时间序列下动力电池的特征值;
将所述动力电池的特征值进行数据平滑处理,生成所述电压差分特征矩阵。
6.根据权利要求1所述的方法,其特征在于,所述识别所述电压数据的异常风险,包括:
根据所述非平稳序列向量的异常频次与持续时长确认异常风险等级,以识别所述电压数据的异常风险。
7.一种动力电池的数据异常检测装置,其特征在于,应用于动力电池在线检测阶段,其中,所述装置包括:
获取模块,用于获取动力电池的多个电池单体在预设时长的电压数据;
生成模块,用于根据所述多个电池单体的电压数据生成所述动力电池的电压差分矩阵,基于所述电压差分矩阵的每列向量提取所述电压差分矩阵的电压差分特征值,并根据所述电压差分特征值生成电压差分特征矩阵;以及
判断模块,用于判断所述电压差分特征矩阵的每列向量的时间序列是否达到预设平稳性条件,其中,若所述时间序列未达到所述预设平稳性条件,则识别未达到所述预设平稳性条件下非平稳序列对应的数据异常单体序号及对应时间,并根据所述数据异常单体序号及对应时间识别所述电压数据的异常风险,以确定所述电压数据中的异常数据。
8.根据权利要求7所述的装置,其特征在于,所述获取模块包括:
获取单元,用于识别所述动力电池的电池类型,并根据所述电池类型获取所述动力电池的各参数输入数据;
清洗单元,用于对所述各参数输入数据进行数据清洗,以根据所述电池类型确定的SOC范围得到所述多个电池单体在所述预设时长的电压数据。
9.一种服务器,其特征在于,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序,以实现如权利要求1-6任一项所述的动力电池的数据异常检测方法。
10.一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,该程序被处理器执行,以用于实现如权利要求1-6任一项所述的动力电池的数据异常检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311813290.7A CN117783872A (zh) | 2023-12-26 | 2023-12-26 | 动力电池的数据异常检测方法、装置、服务器及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311813290.7A CN117783872A (zh) | 2023-12-26 | 2023-12-26 | 动力电池的数据异常检测方法、装置、服务器及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117783872A true CN117783872A (zh) | 2024-03-29 |
Family
ID=90382985
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311813290.7A Pending CN117783872A (zh) | 2023-12-26 | 2023-12-26 | 动力电池的数据异常检测方法、装置、服务器及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117783872A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118033467A (zh) * | 2024-04-15 | 2024-05-14 | 北汽福田汽车股份有限公司 | 动力电池的异常识别方法、装置、车辆、介质及程序 |
-
2023
- 2023-12-26 CN CN202311813290.7A patent/CN117783872A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118033467A (zh) * | 2024-04-15 | 2024-05-14 | 北汽福田汽车股份有限公司 | 动力电池的异常识别方法、装置、车辆、介质及程序 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112092675B (zh) | 一种电池热失控预警方法、***及服务器 | |
CN114430080B (zh) | 一种基于运行数据的动力电池电芯异常自放电的识别方法 | |
CN109116242B (zh) | 一种动力电池的数据处理方法和装置 | |
CN111823952B (zh) | 电芯温度的诊断方法、存储介质和电子设备 | |
CN111999656B (zh) | 车辆电池内短路的检测方法、检测装置和电子设备 | |
CN112098850B (zh) | 基于sdo算法的锂离子电池电压故障诊断方法及*** | |
CN111208445A (zh) | 一种动力电池异常单体识别方法及*** | |
CN112924885B (zh) | 基于增量容量曲线峰值高度的电池内短路定量诊断方法 | |
CN115327417A (zh) | 一种动力电池单体异常的预警方法、***及电子设备 | |
CN113866641A (zh) | 一种锂离子电池的故障检测方法及装置 | |
CN115327386A (zh) | 一种基于电热耦合模型的电池组多故障诊断方法 | |
CN116203490A (zh) | 传感器故障诊断方法、装置、设备及存储介质 | |
CN114325433A (zh) | 基于电化学阻抗谱测试的锂离子电池故障检测方法和*** | |
CN116923188B (zh) | 一种新能源车的充电保护*** | |
CN113391214A (zh) | 一种基于电池充电电压排名变化的电池微故障诊断方法 | |
CN117031337A (zh) | 一种电芯内短路检测方法、装置、存储介质及设备 | |
CN116442786A (zh) | 动力电池压差异常的识别方法、装置、服务器及存储介质 | |
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 | |
CN116679221A (zh) | 一种电池异常检测、电池维护管理方法和装置 | |
CN113376534B (zh) | 动力电池早期故障相平面诊断方法及超前预警*** | |
CN115345241A (zh) | 电池异常检测方法、装置、电子设备及计算机存储介质 | |
CN114720901A (zh) | 一种锂离子电池健康状态估计的方法 | |
CN118033465B (zh) | 电池自放电异常识别方法、装置、车辆及存储介质 | |
CN112070535A (zh) | 电动汽车价格预测方法和装置 | |
CN112540301A (zh) | 电池检测方法、装置及存储介质 |
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 |