CN117970127A - 用于识别动力电池异常自放电的方法和装置 - Google Patents
用于识别动力电池异常自放电的方法和装置 Download PDFInfo
- Publication number
- CN117970127A CN117970127A CN202410371038.3A CN202410371038A CN117970127A CN 117970127 A CN117970127 A CN 117970127A CN 202410371038 A CN202410371038 A CN 202410371038A CN 117970127 A CN117970127 A CN 117970127A
- Authority
- CN
- China
- Prior art keywords
- data
- self
- discharge
- vehicle
- cell
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012544 monitoring process Methods 0.000 claims abstract description 13
- 230000008859 change Effects 0.000 claims description 46
- 238000004590 computer program Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 6
- 230000005856 abnormality Effects 0.000 claims description 4
- 230000001174 ascending effect Effects 0.000 claims description 2
- 230000000284 resting effect Effects 0.000 claims 4
- 230000007613 environmental effect Effects 0.000 abstract description 6
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000001514 detection method Methods 0.000 description 8
- 239000000306 component Substances 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000004140 cleaning Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 239000000523 sample Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Classifications
-
- 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
- Tests Of Electric Status Of Batteries (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种用于识别动力电池异常自放电的方法，包括根据传送到监控平台的车辆状态数据，获取车辆静置前后的有效数据判定数组；基于车辆静置前后的有效数据判定数组计算自放电指标；基于车辆静置前后的有效数据判定数组和静置期间的环境数据，构建用于拟合静置电压变化的特征向量；基于用于拟合静置电压变化的特征向量和对应的自放电指标，构建共形预测模型；再基于所述共形预测模型，对每个静置前后的单电芯数据进行区间预测以识别异常电芯；由此，通过包括多种参数构建的共性预测模型，可以从多个方面有效预测电芯的异常变化，提高电芯异常判断的准确性。
Description
技术领域
本发明涉及新能源汽车动力电池技术领域，尤其涉及一种用于识别动力电池异常自放电的方法和装置。
背景技术
新能源车辆的核心组成部分——动力电池，不仅是其动力来源，也是决定其续航里程、性能稳定性和使用寿命的关键因素。锂离子电池技术，因其高能量密度、长寿命和低自放电率等优点而被广泛用作新能源汽车电池。
然而，随着新能源汽车市场的快速发展，电池安全问题日益凸显。这些问题往往源于电池的内部故障，如单体电池的一致性问题、热管理失效、过充或过放等情况。车辆停放期间的电池自放电异常是一个重要的故障指征。正常情况下，电池在一段时间停放不使用时会有微小的自放电现象，但如果出现异常自放电，可能预示存在微小短路的可能，进而导致电池容量快速下降，影响续航能力，严重时甚至引发安全事故。
因此，对新能源汽车电池风险的预测和管理成为了行业亟待解决的关键问题。传统的检测方法，如容量检测和内阻检测，虽然能评估电池的性能和健康状态，但往往需要线下进行，无法实时监测和预测潜在的风险。利用车联网的大数据进行的预警算法，往往也需要处理巨量的报文信息，只能使用较为简单的统计和根据经验的阈值判定的方法。此类自定义的方案所使用的报文数据较为单一（例如，仅根据电压值和SOC变化），因而在实际应用场景中，并无法准确的确认新能源汽车的动力电池的现存风险和潜在风险，无法为新能源汽车的安全性提供保障。此外，现有的新能源汽车运行过程环境日趋复杂，数据质量普遍不高，这使得基于运行的报文数据进行风险评估越来越困难。
基于此，需要一种新的解决方案。
发明内容
本发明的主要目的在于提供一种用于识别动力电池异常自放电的方法和装置。
为实现上述目的，本发明提供用于识别动力电池异常自放电的方法，包括以下步骤：
步骤S1、根据传送到监控平台的车辆状态数据，获取车辆静置前后的有效数据判定数组；
步骤S2、根据有效数据判定数组计算自放电指标，其中，所述自放电指标表征为车辆静置前后的电池模组中单个电芯电压的变化和相对电池模组的其他电芯的相对变化；
步骤S3、基于车辆静置前后的有效数据判定数组和静置期间的环境数据，构建用于拟合静置电压变化的特征向量；
步骤S4、基于用于拟合静置电压变化的特征向量和对应的自放电指标，构建共形预测模型；
步骤S5、基于所述共形预测模型，对每个静置前后的单电芯数据进行区间预测以识别异常电芯。
此外，为实现上述目的，本发明还提供用于识别动力电池异常自放电的装置，用于实现如上所述的用于识别动力电池异常自放电的方法，包括：
数据获取模块，用于根据传送到监控平台的车辆状态数据，获取车辆静置前后的有效数据判定数组；
自放电指标计算模块，用于根据有效数据判定数组计算自放电指标，其中，所述自放电指标表征为车辆静置前后的电池模组中单个电芯电压的变化和相对电池模组的其他电芯的相对变化；
特征向量构建模块，用于基于车辆静置前后的有效数据判定数组和静置期间的环境数据，构建用于拟合静置电压变化的特征向量；
共形预测模型构建模块，用于基于用于拟合静置电压变化的特征向量和对应的自放电指标，构建共形预测模型；
异常识别模块，用于基于所述共形预测模型，对每个静置前后的单电芯数据进行区间预测以识别异常电芯。
此外，为实现上述目的，本发明还提供一种用于识别动力电池异常自放电的设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如上所述的用于识别动力电池异常自放电的方法的步骤。
此外，为实现上述目的，本发明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存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的用于识别动力电池异常自放电的方法的步骤。
本发明中，基于车辆静置前后的有效数据判定数组计算自放电指标，基于车辆静置前后的有效数据判定数组和静置期间的环境数据，构建用于拟合静置电压变化的特征向量；基于用于拟合静置电压变化的特征向量和对应的自放电指标，构建共形预测模型；再基于所述共形预测模型，对每个静置前后的单电芯数据进行区间预测以识别异常电芯；由此，通过包括多种参数构建的共性预测模型，可以从多个方面有效预测电芯的异常变化，提高电芯异常判断的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图：
图1为所示本发明实施例一提供的用于识别动力电池异常自放电的方法的流程示意图。
具体实施方式
为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的典型实施例。但是，本发明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对本发明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发明的技术领域的技术人员通常理解的含义相同。本文中在本发明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，不是旨在于限制本发明。
本发明总的思路是：针对现有技术电池异常自放电预测算法简单、数据单一，因而无法准确的识别新能源汽车的动力电池的现存风险和潜在风险，无法为新能源汽车的安全性提供保障的问题，提供一种用于识别动力电池异常自放电的方法和装置，基于车辆静置前后的有效数据判定数组计算自放电指标，基于车辆静置前后的有效数据判定数组和静置期间的环境数据，构建用于拟合静置电压变化的特征向量；基于用于拟合静置电压变化的特征向量和对应的自放电指标，构建共形预测模型；再基于所述共形预测模型，对每个静置前后的单电芯数据进行区间预测以识别异常电芯；由此，通过包括多种参数构建的共性预测模型，可以从多个方面有效预测电芯的异常变化，提高电芯异常判断的准确性。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明，应当理解本发明实施例以及实施例中的具体特征是对本申请技术方案的详细的说明，而不是对本申请技术方案的限定，在不冲突的情况下，本发明实施例以及实施例中的技术特征可以相互组合。
实施例一
参照图1，图1为本发明用于识别动力电池异常自放电的方法一实施例的流程示意图。如图1所示，该方法包括：
步骤S1，根据传送到监控平台的车辆状态数据，获取车辆静置前后的有效数据判定数组。
具体地，在本发明一实施例中，车辆终端采集设备采集由CAN线接入的车辆状态数据，通过车联网通过数据报文的形式上传至企业云端监控平台中。需要说明的是，由车机T-Box上传的数据为车联网国标数据，包括动力电池模组中每个电芯的电压、温度、电流和其他车况信息。由于基于车联网国标数据，因此能够具体到电芯级别。
具体地，在本发明一实施例中，动力电池异常自放电发生在车辆静置期间，因此，首先需要在获取的车辆状态数据中确定静置时间点，然后选取静置时间点前后的多个关键字段构成有效数据判断数组，以利用较少数据建模来检测到电池异常。因此，步骤S1包括：
步骤S11、对通过车联网上传到监控平台的车辆状态数据进行解析，并将解析后的报文数据以结构化形式存储在企业大数据平台；
步骤S12、根据存储的报文数据获取车辆发生静置事件的起始时间；
具体地，在本发明一实施例中，通过下面的公式（1）确定静置时间点：
（1）
其中，t为时间戳，n与n+1代表存储在数据平台上的同一车辆的相邻两条报文，T为时间间隔阈值。当报文时间间隔大于阈值时，判定车辆发生静置事件。
步骤S13、选择位于起始时间前的n条报文数据组成的静置前数据和位于起始时间后的m条报文数据组成的静置后数据作为有效数据；
具体地，在本发明一实施例中，选择静置前条和静置后重新启动时的前/>条数据。一般可以选择/> 条（按报文频率为每10秒一条的一般数据条件）和/> ，实际可根据各车型数据条件调整。由此，经过选取后，大量的报文仅留下静置前后的少量报文，使得后续处理的数据量大幅降低。由于仅使用的静置前后的少量报文数据，因此，对于企业的数据平台要求较低，具备实际部署的计算可行性。
步骤S14、在有效数据中选取多个关键字段构建所述有效数据判定数组。
具体地，在本发明一实施例中，关键字段包括：时间戳、车辆状态、SOC、总电流、总电压、电芯电压数组、电芯温度数组、最高电芯温度、最低电芯温度、最高电芯电压、最低电芯电压、车速、仪表里程，组合成数据I(n) = [time(n), status(n),…, mileage(n)]。
因此，静置前条数据构成的有效数据判定数组为：
静置后条数据构成的有效数据判定数组为：。
通过选择多个关键字段构成有效判定数组，可以通过多因素来反映车辆在静置期间发生电池异常自放电的变化，可以应对实际工况的不同。
步骤S2，根据有效数据判定数组计算自放电指标，其中，所述自放电指标表征为车辆静置前后的电池模组中单个电芯电压的变化和相对电池模组的其他电芯的相对变化。
具体地，在本发明一实施例中，计算车辆静置前后的电池模组中每个电芯电压的变化和该电芯相对模组其他电芯的相对变化来作为该电芯的自放电指标。用表示静置前最后一条报文中的电压数组数据，其中m代表电芯电压探针个数，V(n+1)表示静置后第一条报文中电压数组数据。则电芯i自放电的电压绝对变化/>见公式(2)，相对变化/>见公式(3)和(4):
。
步骤S3、基于车辆静置前后的有效数据判定数组和静置期间的环境数据，构建用于拟合静置电压变化的特征向量。
具体地，在本发明一实施例中，基于上面获取的静置前数据和静置后数据/>以及静置期间的环境数据，构建拟合静置电压变化的特征向量，包括目标电芯静置前电压特征、电池总电压、电池平均电压、同模组平均电压、静置前SOC特征、静置前累计里程特征、静置前电流特征、静置前温度特征、启动时电机温度特征、启动时电芯温度特征、静置期间温度数据和静置前车辆状态特征。相较于现有技术中的自定义方案所使用的报文数据较为单一（例如，仅根据电压值和SOC变化），通过与电芯电压变化相关的多个数据构成的特征向量组用于后续构建检测模型，该特征向量组不仅包括电芯电压变化的相关参数，还包括静置前后车辆自身的状态以及环境特征，由此，可以从多个数据之间的关系来进行模型训练和异常判断，以应对不同的工况，从而更好地理解电芯的变化规律，并据此做出有效的预测和控制，提高预测的准确率。
进一步地，在本发明一实施例中，电芯i静置前电压特征包括电芯电压和相对电压/>，这里n表示静置前最后一条数据；相对电压：/>，其中为电池平均电压；电池平均电压/>;同模组平均电压，这里/>代表电池i所在的电芯模组；
进一步地，在本发明一实施例中，电芯i静置前电流特征包括如公式(5)所示的平均电流、如公式(6)所示的最大电流/>。
进一步地，在本发明一实施例中，静置期间温度数据包括高温天数（气温高于35度）和低温天数（气温低于0度），静置时长不足一天时按一天计算，高低温判定的阈值选择也可以根据电池使用特性和数据分布情况调整。
进一步地，在本发明一实施例中，静置前车辆状态特征Status(n)由前条报文的中车辆状态决定，区分熄火、充电、行驶等，判定规则由如下所示：
在读取到的车辆状态为“熄火”时，判断电池总电流是否小于0，如果电池总电流小于0，则判定车辆状态为“充电”，如果电池总电流大于0，则读取前一条车辆数据；在前一条车辆数据的车辆状态为“充电”或“充电完成”且SOC等于100时，判定车辆状态为“满电待机”，否则判定车辆状态为“熄火”；
在读取到的车辆状态为“启动”或其他时，如果车速小于等于5且电流数据连续几帧小于0，判定车辆状态为“充电”；如果车速等于0且电流大于等于0，判定车辆状态为“停止”；如果车速大于0，判定车辆状态为“行驶”。
步骤S4、基于用于拟合静置电压变化的特征向量和对应的自放电指标，构建共形预测模型；
具体地，在本发明一实施例中，对有相同电池配置的车辆的每次静置事件中每一个电芯都提取步骤S3中所述的特征向量以及对应的自放电指标来进行模型训练。通过将用于拟合静置电压变化的特征向量作为输入参数，对应的自放电指标作为输出参数，通过机器学习算法在训练一个分位数回归模型。由于机器学习算法控制了更多因素，包括静置时长，静置环境和静置前车辆状态等，因此避免使用其他方法中固定阈值判断的方式，具有更强针对性；然后通过共形预测技术，修正异常判断时对异常概率评估不准的问题，保证了异常识别的稳健性。因此，步骤S4包括：
步骤S41、将用于拟合静置电压变化的特征向量和对应的自放电指标划分为训练集和校正集；
具体地，在本发明一实施例中，数据划分按照静置事件进行以保证同一个模组的电芯的静置数据同在训练或校正集中。
步骤S42、利用所述训练集建立分位数回归模型f，其中，用于拟合静置电压变化的特征向量作为所述分位数回归模型的输入参数，对应的自放电指标作为所述分位数回归模型的输出参数；
具体地，在本发明一实施例中，选择任何一种实现分位回归（quantileregression）的机器学习算法在训练集上训练一个分位数回归模型f，例如在XgBoost或LightGBM算法中使用quantileloss作为目标函数即可实现。其中分位数选择为=0.05，这样可估计[0.025, 0.975]的回归区间。
步骤S43、利用校正集数据计算不匹配分数，并对计算得到的不匹配分数进行升序排序得到不匹配分数集/>，其中，通过如下公式计算所述不匹配分数，
其中，和/>分别为分位数回归模型的分位数区间的上下界估计值，y为对应的自放电指标；
步骤S44、计算不匹配分数集S中的分位数，其中，根据校正集数据对分位数/>的百分位进行修正：
；
步骤S45、利用修正后的分位数构建用于新样本数据的共形预测区间，
。
步骤S5、基于所述共形预测模型，对每个静置前后的单电芯数据进行区间预测以识别异常电芯。
具体地，在本发明一实施例中，基于步骤S4得到的共形预测区间，对每个静置前后的单电芯数据进行区间预测，并通过阈值判定的方式识别异常数据，计算异常得分。计算结果可用于识别异常电芯和进一步分析。因此，步骤S5包括：
步骤S51、基于所述共形预测区间，对每个静置前后的单电芯数据进行区间预测，如果对应的自放电指标作为在所述共形预测区间之外，则将所述单电芯数据标记异常；
步骤S52、当判定所述单电芯数据为异常数据时，根据以下公式计算所述单电芯的偏离异常得分，
具体地，在本发明一实施例中，仅考虑电压下降幅度过大的情形，即。
步骤S53、通过滑动窗口方式，对所述单电芯在第p个周期的N天内计算平均异常得分，其中/>为本段时间窗口内该车辆具备有效静置数据的次数；
步骤S54、当平均异常得分大于预设阈值时，电芯i被标记为异常。
具体地，在本发明一实施例中，当时，电芯i被标记为异常，如果计算目标指标为/>则识别为绝对变化异常，如果是/>则识别为相对变化异常；threshold的设定根据业务的提前识别且检测带来成本和故障发生后处理成本之间的权衡来决定。
在本发明中，通过识别的异常得分和异常电芯，可以用于在整车、不同批次、不同地域以及低温环境进一步分析电池自放电的异常模式分析，将电压值明显超出阈值以及呈现显著趋势性的动力电池和异常电芯检测出来，通过***推送提供给业务人员作为线下检测和维修的数据依据。由此，能有效监控车辆的动力电池在静置前后的状态变化，并且对危险电池以及性能不足的电池进行识别和告警，对于企业的动力电池安全监控、客户用车体验以及售后维修电池模组更换、降低经济损失和提升企业产品力有重要意义。
实施例二
由于车辆静置后刚启动时，启动状态可能存在不符合测量电压状态变化的情况，导致错误异常判定；同时获取到的车辆状态数据报文存在数据质量不好的可能，因此，在本实施例中，在步骤S1之后还包括数据清洗和有效数据筛选的步骤，其中，所述数据清洗包括异常值处理、缺失值处理、重复值处理和问题数据标记；根据静置时间长度、车辆静置前后仪表里程、车辆静置前后SOC、车辆静置后电流、电芯温度、数据缺失率和启动电压对清洗后的所述有效数据判定数组的数据进行筛选。
具体地，在本发明一实施例中，对于上游采集和处理阶段的数据可以进行清洗以保证下游计算的有效性。数据清洗包括
（1）异常值处理：识别超出指标预定范围的外的数据置空，例如，电池温度值为10000；将报文数据值为解析时定义的错误值置空；状态字段（离散型数据）在连续报文间出现跳变时置空；
（2）缺失值处理：对于缺失的状态字段，由该字段的下一条报文中的值填充；对于除电压数组外的其他连续变量数据中的缺失值，填充规则为：在有前后时间点，由前后报文中对应字段平均值填充；对电压数组，缺失值不做填充；
（3）重复值处理：对于分析的车辆的样本数据内时间戳相同的报文进行剔除处理；
（4）数据问题标记：对于电压，温度数组中出现异常和缺失比例高的报文，标记为问题报文。
具体地，在本发明一实施例中，对于清洗好的数据，通过以下规则进行筛选，有效数据将保留用以后续指标计算和算法建模：
（1）静置时间长度筛选：定义静置时长为I(n)和I(n+1)中对应时间戳的差值，选择满足/>且/>的数组对/>和/>进行筛选；其中，/>为最小静置时长，一般可以设为8小时，/>为最大静置时长，可以设为30天，实际使用可根据数据条件和电芯特性决定；
（2）车辆静置前后仪表里程筛选：选择I(n)和I(n+1)中对应里程字段的差值等于0的数据。避免因为车联数据丢失导致对静置事件的错误判定；
（3）车辆静置前后SOC筛选：选择I(n)和I(n+1)中对应SOC字段，选择SOC(n)-SOC(n+1)<2。避免动力电池在静置期间为车辆提供电能导致电压降低而被算法识别为异常；
（4）启动时前几条报文电流筛选：选择中对应电流字段 [current(n+1), …, current(n+/>)]；当某条报文电流绝对值大于阈值/>时，该条报文及之后的数据全部舍弃，即如果/>大于阈值/>，则仅保留启动时前i-1条报文数据n+1,…, n+i-1；
（5）温度范围筛选：当静置前最后一条报文中电芯温度最高值大于阈值或启动时第一条有效温度最低值低于阈值时，则去掉本次所有静置前后数据；阈值的选择根据电芯特性对应的实际工况确定，以保证不会在过高和过低温度下测量；
（6）缺失率数据筛选：对缺失比例高的数组数据，例如，数据清洗中标记异常的报文进行剔除，如果剩余数据不足，则该次车辆静置前后数据不作为后续分析判定；
（7）启动电压稳定筛选：在启动时的数据检验电芯电压的变化速度，如果，这里阈值/>的选择根据电芯类型和数据精度调整，则该电芯不做后续异常检测，以避免启动时可能因为报文间隔间的放电导致电压波动不平稳而误检；当多数电芯，多数电芯出现电压变化超过阈值时，则该次静置事件的数据不进行后续分析判定。
在本实施例中，对车辆静置前后的数据进行有效数据筛选，在实际过程中能避免如电池计划，报文频次过低导致的电压变化影响判断效果，大幅提高了准确性。
实施例三
本发明还提供一种用于识别动力电池异常自放电的装置，包括：
数据获取模块，用于根据传送到监控平台的车辆状态数据，获取车辆静置前后的有效数据判定数组；
自放电指标计算模块，用于根据有效数据判定数组计算自放电指标，其中，所述自放电指标表征为车辆静置前后的电池模组中单个电芯电压的变化和相对电池模组的其他电芯的相对变化；
特征向量构建模块，用于基于车辆静置前后的有效数据判定数组和静置期间的环境数据，构建用于拟合静置电压变化的特征向量；
共形预测模型构建模块，用于基于用于拟合静置电压变化的特征向量和对应的自放电指标，构建共形预测模型；
异常识别模块，用于基于所述共形预测模型，对每个静置前后的单电芯数据进行区间预测以识别异常电芯。
本领域技术人员可以理解的是，以上是本发明实施例提供的用于识别动力电池异常自放电的装置的实施例，该***和装置与上述的用于识别动力电池异常自放电的方法属于同一个发明构思，在用于识别动力电池异常自放电的装置的实施例中未详尽描述的细节内容，可以参考上述用于识别动力电池异常自放电的方法的实施例。
实施例四
本发明实施例还提供了一种用于识别动力电池异常自放电的设备，可以包括：
存储器，用于存储计算机程序；
处理器，用于执行上述存储器存储的计算机程序时可实现如下步骤：
根据传送到监控平台的车辆状态数据，获取车辆静置前后的有效数据判定数组；根据有效数据判定数组计算自放电指标，其中，所述自放电指标表征为车辆静置前后的电池模组中单个电芯电压的变化和相对电池模组的其他电芯的相对变化；基于车辆静置前后的有效数据判定数组和静置期间的环境数据，构建用于拟合静置电压变化的特征向量；基于用于拟合静置电压变化的特征向量和对应的自放电指标，构建共形预测模型；基于所述共形预测模型，对每个静置前后的单电芯数据进行区间预测以识别异常电芯。
本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时可实现如下步骤：
根据传送到监控平台的车辆状态数据，获取车辆静置前后的有效数据判定数组；根据有效数据判定数组计算自放电指标，其中，所述自放电指标表征为车辆静置前后的电池模组中单个电芯电压的变化和相对电池模组的其他电芯的相对变化；基于车辆静置前后的有效数据判定数组和静置期间的环境数据，构建用于拟合静置电压变化的特征向量；基于用于拟合静置电压变化的特征向量和对应的自放电指标，构建共形预测模型；基于所述共形预测模型，对每个静置前后的单电芯数据进行区间预测以识别异常电芯。
该计算机可读存储介质可以包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM) ＞随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存 储程序代码的介质。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器（DSP）来实现根据本发明实施例中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序（例如，计算机程序和计算机程序产品）。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
Claims (10)
1.一种用于识别动力电池异常自放电的方法，其特征在于，包括以下步骤：
步骤S1、根据传送到监控平台的车辆状态数据，获取车辆静置前后的有效数据判定数组；
步骤S2、根据有效数据判定数组计算自放电指标，其中，所述自放电指标表征为车辆静置前后的电池模组中单个电芯电压的变化和相对电池模组的其他电芯的相对变化；
步骤S3、基于车辆静置前后的有效数据判定数组和静置期间的环境数据，构建用于拟合静置电压变化的特征向量；
步骤S4、基于用于拟合静置电压变化的特征向量和对应的自放电指标，构建共形预测模型；
步骤S5、基于所述共形预测模型，对每个静置前后的单电芯数据进行区间预测以识别异常电芯。
2.如权利要求1所述的用于识别动力电池异常自放电的方法，其特征在于，所述步骤S1包括：
步骤S11、对通过车联网上传到监控平台的车辆状态数据进行解析，并将解析后的报文数据以结构化形式存储在企业大数据平台；
步骤S12、根据存储的报文数据获取车辆发生静置事件的起始时间；
步骤S13、选择位于起始时间前的n条报文数据组成的静置前数据和位于起始时间后的m条报文数据组成的静置后数据作为有效数据；
步骤S14、在有效数据中选取多个关键字段构建所述有效数据判定数组，所述多个关键字段包括时间戳、车辆状态、SOC、总电流、总电压、电芯电压数组、电芯温度数组、最高电芯温度、最低电芯温度、最高电芯电压、最低电芯电压、车速、仪表里程。
3.如权利要求2所述的用于识别动力电池异常自放电的方法，其特征在于，在所述步骤S1和所述步骤S2之间还包括对所述有效数据判定数组的数据值进行数据清洗，所述数据清洗包括异常值处理、缺失值处理、重复值处理和问题数据标记。
4.如权利要求3所述的用于识别动力电池异常自放电的方法，其特征在于，在所述数据清洗的步骤之后，还包括根据静置时间长度、车辆静置前后仪表里程、车辆静置前后SOC、车辆静置后电流、电芯温度、数据缺失率和启动电压对清洗后的所述有效数据判定数组的数据进行筛选。
5.如权利要求1所述的用于识别动力电池异常自放电的方法，其特征在于，在步骤S3中，用于拟合静置电压变化的特征向量包括目标电芯静置前电压特征、电池总电压、电池平均电压、同模组平均电压、静置前SOC特征、静置前累计里程特征、静置前电流特征、静置前温度特征、启动时电机温度特征、启动时电芯温度特征、静置期间温度数据和静置前车辆状态特征。
6.如权利要求1所述的用于识别动力电池异常自放电的方法，其特征在于，步骤S4包括：
步骤S41、将用于拟合静置电压变化的特征向量和对应的自放电指标划分为训练集和校正集；
步骤S42、利用所述训练集建立分位数回归模型f，其中，用于拟合静置电压变化的特征向量作为所述分位数回归模型的输入参数，对应的自放电指标作为所述分位数回归模型的输出参数；
步骤S43、利用校正集数据计算不匹配分数，并对计算得到的不匹配分数进行升序排序得到不匹配分数集/>，其中，通过如下公式计算所述不匹配分数，
其中，和/>分别为分位数回归模型的分位数区间的上下界估计值，y为对应的自放电指标；
步骤S44、计算不匹配分数集S中的分位数，其中，根据校正集数据对分位数/>的百分位进行修正：
；
步骤S45、利用修正后的分位数构建用于新样本数据的共形预测区间，
。
7.如权利要求6所述的用于识别动力电池异常自放电的方法，其特征在于，步骤S5包括：
步骤S51、基于所述共形预测区间，对每个静置前后的单电芯数据进行区间预测，如果对应的自放电指标作为在所述共形预测区间之外，则将所述单电芯数据标记异常；
步骤S52、当判定所述单电芯数据为异常数据时，根据以下公式计算所述单电芯的偏离异常得分，
步骤S53、通过滑动窗口方式，对所述单电芯在第p个周期的N天内计算平均异常得分，其中/>为本段时间窗口内该车辆具备有效静置数据的次数；
步骤S54、当平均异常得分大于预设阈值时，电芯i被标记为异常。
8.一种用于识别动力电池异常自放电的装置，用于实现根据权利要求1-7中任一项所述的用于识别动力电池异常自放电的方法，其特征在于，包括：
数据获取模块，用于根据传送到监控平台的车辆状态数据，获取车辆静置前后的有效数据判定数组；
自放电指标计算模块，用于根据有效数据判定数组计算自放电指标，其中，所述自放电指标表征为车辆静置前后的电池模组中单个电芯电压的变化和相对电池模组的其他电芯的相对变化；
特征向量构建模块，用于基于车辆静置前后的有效数据判定数组和静置期间的环境数据，构建用于拟合静置电压变化的特征向量；
共形预测模型构建模块，用于基于用于拟合静置电压变化的特征向量和对应的自放电指标，构建共形预测模型；
异常识别模块，用于基于所述共形预测模型，对每个静置前后的单电芯数据进行区间预测以识别异常电芯。
9.一种用于识别动力电池异常自放电的设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1-7中任一项所述的用于识别动力电池异常自放电的方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的用于识别动力电池异常自放电的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410371038.3A CN117970127A (zh) | 2024-03-29 | 2024-03-29 | 用于识别动力电池异常自放电的方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410371038.3A CN117970127A (zh) | 2024-03-29 | 2024-03-29 | 用于识别动力电池异常自放电的方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117970127A true CN117970127A (zh) | 2024-05-03 |
Family
ID=90855778
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410371038.3A Pending CN117970127A (zh) | 2024-03-29 | 2024-03-29 | 用于识别动力电池异常自放电的方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117970127A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108663627A (zh) * | 2018-03-28 | 2018-10-16 | 维沃移动通信有限公司 | 一种电池自放电检测方法及电池自放电检测装置 |
| CN112380630A (zh) * | 2020-11-27 | 2021-02-19 | 重庆长安新能源汽车科技有限公司 | 基于车联网数据的新能源汽车电池热失控风险的预测方法 |
| CN114148216A (zh) * | 2021-12-31 | 2022-03-08 | 中国第一汽车股份有限公司 | 电池自放电率异常检测方法、***、设备及存储介质 |
| US20220166238A1 (en) * | 2020-11-26 | 2022-05-26 | Nio Technology (Anhui) Co., Ltd | Monitoring method, device, and system for low-voltage vehicle battery, server, and medium |
| CN115219903A (zh) * | 2022-03-11 | 2022-10-21 | 中国第一汽车股份有限公司 | 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 |
| CN115561658A (zh) * | 2022-11-30 | 2023-01-03 | 深圳联友科技有限公司 | 一种基于数据切片的动力电池异常电芯监测方法 |
-
2024
- 2024-03-29 CN CN202410371038.3A patent/CN117970127A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108663627A (zh) * | 2018-03-28 | 2018-10-16 | 维沃移动通信有限公司 | 一种电池自放电检测方法及电池自放电检测装置 |
| US20220166238A1 (en) * | 2020-11-26 | 2022-05-26 | Nio Technology (Anhui) Co., Ltd | Monitoring method, device, and system for low-voltage vehicle battery, server, and medium |
| CN112380630A (zh) * | 2020-11-27 | 2021-02-19 | 重庆长安新能源汽车科技有限公司 | 基于车联网数据的新能源汽车电池热失控风险的预测方法 |
| CN114148216A (zh) * | 2021-12-31 | 2022-03-08 | 中国第一汽车股份有限公司 | 电池自放电率异常检测方法、***、设备及存储介质 |
| CN115219903A (zh) * | 2022-03-11 | 2022-10-21 | 中国第一汽车股份有限公司 | 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 |
| CN115561658A (zh) * | 2022-11-30 | 2023-01-03 | 深圳联友科技有限公司 | 一种基于数据切片的动力电池异常电芯监测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108445410A (zh) | 一种监测蓄电池组运行状态的方法及装置 | |
| CN111241154A (zh) | 一种基于大数据的蓄电池故障预警方法及*** | |
| CN109359894B (zh) | 一种基于rpn的电力计量设备风险评价方法及装置 | |
| CN112946483B (zh) | 电动汽车电池健康的综合评估方法及存储介质 | |
| CN115796708B (zh) | 一种工程建设用的大数据智能质检方法、***和介质 | |
| 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 | |
| CN112816885A (zh) | 一种电池异常检测方法、装置、电子设备及存储介质 | |
| KR20230129953A (ko) | 차량 배터리 셀 일관성 평가 방법, 장치, 기기 및 저장매체 | |
| CN111157911A (zh) | 一种电池包压差过大的预测方法、装置及设备 | |
| CN113189495A (zh) | 一种电池健康状态的预测方法、装置及电子设备 | |
| JP7070224B2 (ja) | 電池情報処理システムおよび電池情報処理方法 | |
| CN114290960A (zh) | 获取动力电池的电池健康度的方法、装置和车辆 | |
| CN116754984A (zh) | 一种电池一致性的检测方法及相关装置 | |
| CN116125300A (zh) | 一种电池包异常监测方法、装置、电子设备及存储介质 | |
| CN113721182B (zh) | 一种电力互感器性能在线监测结果可靠度评估方法及*** | |
| CN117783745B (zh) | 用于换电柜的数据在线监测方法及*** | |
| CN114200323A (zh) | 电池短路故障预警信息生成方法和装置、设备、介质 | |
| US20220026499A1 (en) | Method and System for Monitoring Health Condition of Battery Pack | |
| CN117970127A (zh) | 用于识别动力电池异常自放电的方法和装置 | |
| CN116893366A (zh) | 用于运行***以识别设备的电蓄能器的异常的方法和装置 | |
| CN114764600A (zh) | 新能源车电池包的寿命预测方法、装置和电子设备 | |
| CN115128468A (zh) | 一种化学储能电池phm欠压故障预测方法 | |
| CN114002603B (zh) | 识别电芯的方法、装置及计算机存储介质 | |
| CN115219932A (zh) | 用于评价设备电池组的相对老化状态的方法和装置 | |
| CN118151034B (zh) | 一种高精度的电池内阻检测方法及*** |
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 |