CN117991108B - 一种基于数据的动力电池损伤检测方法与*** - Google Patents
一种基于数据的动力电池损伤检测方法与*** Download PDFInfo
- Publication number
- CN117991108B CN117991108B CN202410406108.4A CN202410406108A CN117991108B CN 117991108 B CN117991108 B CN 117991108B CN 202410406108 A CN202410406108 A CN 202410406108A CN 117991108 B CN117991108 B CN 117991108B
- Authority
- CN
- China
- Prior art keywords
- battery
- data
- vehicle
- power battery
- discharge
- 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.)
- Active
Links
- 230000006378 damage Effects 0.000 title claims abstract description 78
- 238000001514 detection method Methods 0.000 title claims abstract description 15
- 238000003745 diagnosis Methods 0.000 claims abstract description 32
- 230000002159 abnormal effect Effects 0.000 claims abstract description 18
- 238000012423 maintenance Methods 0.000 claims abstract description 17
- 238000009413 insulation Methods 0.000 claims abstract description 10
- 230000003993 interaction Effects 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000036541 health Effects 0.000 claims description 44
- 238000000034 method Methods 0.000 claims description 26
- 230000008859 change Effects 0.000 claims description 17
- 230000003068 static effect Effects 0.000 claims description 13
- 238000013145 classification model Methods 0.000 claims description 11
- 239000000178 monomer Substances 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000010219 correlation analysis Methods 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 8
- 238000007599 discharging Methods 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 6
- 230000000977 initiatory effect Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000006399 behavior Effects 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 claims description 3
- 230000005779 cell damage Effects 0.000 claims description 3
- 208000037887 cell injury Diseases 0.000 claims description 3
- 229910001416 lithium ion Inorganic materials 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000011084 recovery Methods 0.000 claims description 3
- 238000013210 evaluation model Methods 0.000 claims description 2
- 230000003862 health status Effects 0.000 description 12
- 230000005856 abnormality Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 229910052744 lithium Inorganic materials 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 239000005955 Ferric phosphate Substances 0.000 description 1
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 229940032958 ferric phosphate Drugs 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- WBJZTOZJJYAKHQ-UHFFFAOYSA-K iron(3+) phosphate Chemical compound [Fe+3].[O-]P([O-])([O-])=O WBJZTOZJJYAKHQ-UHFFFAOYSA-K 0.000 description 1
- 229910000399 iron(III) phosphate Inorganic materials 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Secondary Cells (AREA)
Abstract
本发明公开一种基于数据的动力电池损伤检测方法,包括:读取车辆的电池数据;接收汽车动力电池大数据平台的数据,将汽车动力电池大数据平台的数据和车辆的电池数据进行实时数据交互;对汽车动力电池大数据平台的数据和车辆的电池数据进行预处理;构建损伤诊断模型,其中损伤诊断模型能够根据场景定义构建多个指标,从而对动力电池电芯级的异常状态进行预测,并结合损伤逻辑和/或行业经验方案输出对于动力电池电芯级的维修建议,其中,多个指标包括:电池的温度一致性、电压一致性、绝缘漏电和电芯状态特征;基于预处理后的汽车动力电池大数据平台的数据和车辆的电池数据以及损伤诊断模型对动力电池损伤情况进行检测。还公开了对应的检测***。
Description
技术领域
本发明涉及电池检测和电池维修保养技术领域,特别涉及一种基于数据的动力电池损伤检测方法与***,通常应用于新能源车辆及相关领域。
背景技术
第一,新能源汽车的成本中,动力电池占据很大的比重,然而,用户(车主)自测电池健康状态存在极大的难度,目前需要通过第三方机构使用特定的设备进行检查,检查时间长,从而造成用户不能便捷的了解电池的健康状态;此外,电池性能逐渐下降的过程存在很大安全隐患,用户通过第三方机构一般按1年1次的频率进行,检查频率难以保障电池的安全性诊断,给用户的生命和财产安全造成极大的威胁。
第二,在新能源市场占有率逐年提升的大背景下,在保险公司定损赔付的过程中,由于当前的技术壁垒,保险公司的赔付率一直居高不下,原因在于动力电池赔付存在诸多问题。一方面,现在新能源事故车保险公司定损时,对新能源汽车动力电池的健康信息和损伤信息无法通过简单合理的渠道获取,只能依据电池的外观照片和4S店的意见进行定损判断,存在大量的信息不透明、违规操作,经常出现定损超额、可以维修但是直接换新的情况,造成赔付率过高保险公司权益受损的情况;此外,由于单个电芯损坏就会早成整块电池无法正常使用,涉及到内部损伤只能到相关维修门店通过专业设备进行勘察,保险公司经常要赔付整块电池换新的成本,而实际上如果知道具体哪个电芯损伤,是可以通过更换单个模组或者通过均衡修复的,成本只有更换整块电池的几十分之一。
发明内容
本发明的目的是提供一种基于数据的动力电池损伤检测方法与***,一方面借用本***用户可实现随时随地自主检查,方便、快捷;另一方面解决了现在新能源事故车保险公司定损时,对新能源汽车动力电池的健康信息和损伤信息无法通过渠道获取,只能依靠电池外观进行定损,涉及到内部损伤只能到相关维修门店通过专业设备进行勘察,经常出现定损超额、可以维修但是直接换新的情况,造成赔付率过高保险公司权益受损的情况。
本发明的技术方案是基于新能源汽车动力电池的基本构成以及现有的汽车动力电池大数据平台实现的,无需进行非常巨大的硬件设备和***的改良,降低了方法和***实施的成本。新能源汽车动力电池包括Pack主控、电池数据采集、GPS模块和报警模块,通过移动网络通信接口将数据上传至汽车动力电池大数据平台,包含充放电数据、驾驶行为数据、电池SOH和电池SOC数据等。汽车动力电池大数据平台主要包括电池损伤诊断模型和云平台,通过训练电池损伤诊断模型,实时分析车辆动力电池的温度一致性数据、电压一致性数据、充放电行为数据,构建电池电芯级的状态特征,实现对车用动力电池电芯级的异常状态预测,通过云平台为新能源车主提供电池的诊断报告和保养建议。
本发明的第一方面在于提供一种基于数据的动力电池损伤检测方法,包括:
S1,读取车辆的电池数据;其中,所述车辆的电池数据包含电池的静态数据和动态数据;所述静态数据包括车辆信息和电池信息,所述动态数据分为电池充放电数据、电池综合性能数据和电池单体数据;
S2,接收汽车动力电池大数据平台的数据,将所述汽车动力电池大数据平台的数据和车辆的电池数据进行实时数据交互;
S3,对所述汽车动力电池大数据平台的数据和车辆的电池数据进行预处理;
S4,构建损伤诊断模型,其中所述损伤诊断模型能够根据场景定义构建多个指标,从而对动力电池电芯级的异常状态进行预测,并结合损伤逻辑和/或行业经验方案输出对于动力电池电芯级的维修建议,其中,所述多个指标包括:电池的温度一致性、电压一致性、绝缘漏电和电芯状态特征;
S5,基于预处理后的所述汽车动力电池大数据平台的数据和车辆的电池数据以及所述损伤诊断模型对动力电池损伤情况进行检测。
优选的,所述S3包括:
S31,以标准化的数据字段定义对所述汽车动力电池大数据平台的数据和车辆的电池数据进行分类加工,去除无效数据并存储关键数据;
S32,基于技术场景定义对所述汽车动力电池大数据平台的数据和车辆的电池数据进行数据清洗和分类;
S33,基于电池基本信息、电池健康信息、充放电行为信息、电池安全故障信息和电池单体数据对所述汽车动力电池大数据平台的数据和车辆的电池数据进行数据清洗和分类。
优选的,所述S4的所述对动力电池电芯级的异常状态进行预测采用一致性相关分析法进行,包括:
S41,基于充放电作为周期对电池数据进行分割后获得一次充放电周期内的电池数据;
S42,基于时间维度对每一个充放电周期内的动力电池温度T、动力电池电压volt、动力电池电流current和动力电池SOC的变化率进行相关性分析,获得当前充放周期变化相关率θ及温度的校正系数θT;
S43,基于时间维度对单体电芯的每一个充放电周内的电芯温度DT、电芯电压Dvolt和电芯电流Dcurrent和电芯SOC的变化率进行相关性分析,获得本次充放周期变化相关率Dθ及温度的校正系数DθT;
S44,基于相关性分别计算电池组P及单体电芯DP的评价指标,计算原理为:
(4);
(5);
其中,r为电池组P调节系数,依据各品牌电池的历史数据统计学习得到。故该评价规则与电池品牌相关;Dr为单体电芯DP调节系数。
优选的,所述S4的所述对动力电池电芯级的异常状态进行预测还能够采用电池状态评估模型进行,包括:
S41’,基于历史数据和机器学习算法对所述车辆电池多个特征的重要度进行分析,并析构所述多个特征之间的相关性;所述多个特征包括电压、电流和剩余电量;
S42’,基于所述多个特征之间的相关性和分类模型构建故障分类模型,将所述故障分类模型作为所述损伤诊断模型;
优选的,所述S5包括:
S51,用户通过检测发起***并填写车辆信息和车辆VIN码发起检测,所述检测发起***包括但不限于以下形式:PC网页端、APP、小程序等方式;所述车辆信息包括通过图像识别的行驶证信息;
S52,依据所述车辆VIN码和所述行驶证信息解析车辆及其电池的相关静态信息;并基于所述相关静态信息查询电池的品牌系数及所述车辆的电池历史数据;
S53,基于所述电池的品牌系数及所述车辆的电池历史数据分别确定电池的综合健康状态及各电芯的健康状态。
优选的,所述S53通过计算电池放电温度一致性得分并基于所述电池放电温度一致性得分确定电池的综合健康状态及各电芯的健康状态;包括:
通过各电芯在各个充放周期的电池温度与电压、电流、剩余电量的相关系数,取相关系数/>的平均值作为本放电周期的电池放电温度一致性得分;
设定电池放电温度一致性得分波动幅度在20%以及以下为正常,波动幅度在30%-40%为警告状态,波动幅度在40%及以上需要报警并重点提示用户。
优选的,所述S53还能够通过计算电池内阻得分并基于所述电池内阻得分确定电池的综合健康状态及各电芯的健康状态;包括:
基于如下公式计算电池组中每个单体的电池内阻:
(7);
为熄火前的瞬间电压,/>为熄火后瞬间恢复电压,I为熄火瞬间电流;
基于各个单体的电池内阻得分是否一致确定电池的综合健康状态及各电芯的健康状态。
优选的,所述S53还能够通过计算电池自放电得分并基于所述电池自放电得分确定电池的综合健康状态及各电芯的健康状态;包括:
选取动力电池静置8小时以上的电池指标数据作为所述电池自放电得分的计算有效数据;
读取静置前后电池参数的变化以表征锂离子电池的自放电程度并作为第一次的电池自放电得分;所述静置前后电池参数包括容量、开路电压和电流;
计算近N次的电池自放电得分的平均值作为电池目前阶段的综合自放电评分;
基于设定的电池自放电得分阈值与电池目前阶段的综合自放电评分的比较确定电池的综合健康状态及各电芯的健康状态。
优选的,所述方法还包括:
S6,基于电池的综合健康状态及各电芯的健康状态形成电池状态报告、健康报告、电芯级别的状态特征报告和损伤综合决策及维修建议报告。
本发明的第二方面在于提供一种基于数据的动力电池损伤检测***,包括:
车辆电池数据读取模块(101),用于读取车辆的电池数据;
汽车动力电池大数据交互模块(102),用于接收汽车动力电池大数据平台的数据,将所述汽车动力电池大数据平台的数据和车辆的电池数据进行实时数据交互;
电池数据处理模块(103),用于对所述汽车动力电池大数据平台的数据和车辆的电池数据进行预处理;
损伤诊断模型建立模块(104),用于构建损伤诊断模型,其中所述损伤诊断模型能够根据场景定义构建多个指标,从而对动力电池电芯级的异常状态进行预测,并结合损伤逻辑和/或行业经验方案输出对于动力电池电芯级的维修建议,其中,所述多个指标包括:电池的温度一致性、电压一致性、绝缘漏电和电芯状态特征;
检测模块(105),用于基于预处理后的所述汽车动力电池大数据平台的数据和车辆的电池数据以及所述损伤诊断模型对动力电池损伤情况进行检测。
本发明的平台和数据处理方法的有益效果:
(1)本方法和***的用户可实现随时随地对动力电池组和单体电芯的自主检查,方便、快捷;
(2)解决了现在新能源事故车保险公司定损时,对新能源汽车动力电池的健康信息和损伤信息无法通过渠道获取,只能依靠电池外观进行定损,涉及到内部损伤只能到相关维修门店通过专业设备进行勘察,经常出现定损超额、可以维修但是直接换新的情况,造成赔付率过高保险公司权益受损的情况。
附图说明
为了更清楚地说明本发明具体实施方式或相关技术中的技术方案,下面将对具体实施方式或相关技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,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,还可以根据这些附图获得其他的附图。
图1为根据本发明实施例提供的基于数据的动力电池损伤检测方法流程图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
参见图1,本实施例提供一种基于数据的动力电池损伤检测方法,包括:
S1,读取车辆的电池数据;其中,所述车辆的电池数据包含电池的静态数据和动态数据;所述静态数据包括车辆信息和电池信息两个层面,所述动态数据分为电池充放电数据、电池综合性能数据和电池单体数据三个维度。
本实施例中,所述车辆信息包括:车辆品牌、车辆型号、车辆识别号、电机型号、电机功率、电池工作电压、电池容量、使用性质和首次登记日期;所述电池信息包括:电池类型、电池序列号、额定容量、额定总电压、单体最高允许电压、最高允许充电电流、标称总能量、最高允许充电总电压、最高允许温度、荷电状态和电池包总电压。
本实施例中,所述电池充放电数据包括:电池充电次数、快充次数、充电开始SOC、充电结束时SOC、充电温度;所述电池综合性能数据包括:电池SOC、电池SOH、电压差、最高温度、最低温度、最高电压单体编号、最高温度编号、最低温度编号、单体电压、充电过电流、电池绝缘状态、电池温度和故障信息;所述电池单体数据包括:单体电压、单体电流和单体温度。
S2,接收汽车动力电池大数据平台的数据,将所述汽车动力电池大数据平台的数据和车辆的电池数据进行实时数据交互;
S3,对所述汽车动力电池大数据平台的数据和车辆的电池数据进行预处理;
S4,构建损伤诊断模型,其中所述损伤诊断模型能够根据场景定义构建多个指标,从而对动力电池电芯级的异常状态进行预测,并结合损伤逻辑和/或行业经验方案输出对于动力电池电芯级的维修建议,其中,所述多个指标包括:电池的温度一致性、电压一致性、绝缘漏电和电芯状态特征;
S5,基于预处理后的所述汽车动力电池大数据平台的数据和车辆的电池数据以及所述损伤诊断模型对动力电池损伤情况进行检测。
作为优选的实施方式,其中,所述S1的所述读取汽车电池数据按照分钟级别的频率发起数据传输。
作为优选的实施方式,所述S3包括:
S31,以标准化的数据字段定义对所述汽车动力电池大数据平台的数据和车辆的电池数据进行分类加工,去除无效数据并存储关键数据;
S32,基于技术场景定义对所述汽车动力电池大数据平台的数据和车辆的电池数据进行数据清洗和分类;
S33,基于电池基本信息、电池健康信息、充放电行为信息、电池安全故障信息和电池单体数据对所述汽车动力电池大数据平台的数据和车辆的电池数据进行数据清洗和分类。
作为优选的实施方式,所述S4的所述对动力电池电芯级的异常状态进行预测采用一致性相关分析法进行,包括:
S41,基于充放电作为周期对电池数据进行分割后获得一次充放电周期内的电池数据;
S42,基于时间维度对每一个充放电周期内的动力电池温度T、动力电池电压volt、动力电池电流current和动力电池SOC的变化率进行相关性分析,获得当前充放周期变化相关率θ及温度的校正系数θT;
本实施例中,当前充放周期变化相关率θ及温度的校正系数θT的计算方式如下:
(1);
(2);
其中,为任意两项之间的相关性,/>为各项指标相关性的平均值,Xi、Yi为第i个变量的观察值,/>、/>对应X、Y变量的平均值;
(3);
其中:为最大温度,/>为最低温度,/>为最低温度到最高温度的时间,/>为最低温度到最高温度过程的平均速度。
S43,基于时间维度对单体电芯的每一个充放电周内的电芯温度DT、电芯电压Dvolt和电芯电流Dcurrent和电芯SOC的变化率进行相关性分析,获得本次充放周期变化相关率Dθ及温度的校正系数DθT;
本实施例中,S43的原理同S42。
S44,基于相关性分别计算电池组P及单体电芯DP的评价指标,计算原理为:
(4);
(5);
其中,r为电池组P调节系数,依据各品牌电池的历史数据统计学习得到。故该评价规则与电池品牌相关;Dr为单体电芯DP调节系数。
作为优选的实施方式,所述S4的所述对动力电池电芯级的异常状态进行预测还能够采用电池状态评估模型进行,包括:
S41’,基于历史数据和机器学习算法对所述车辆电池多个特征的重要度进行分析,并析构所述多个特征之间的相关性;所述多个特征包括电压、电流和剩余电量;
S42’,基于所述多个特征之间的相关性和分类模型构建故障分类模型,将所述故障分类模型作为所述损伤诊断模型;
本实施例中,故障分类模型如下方式获得:
(6);
其中,F(x)为最终的故障分类模型,N为各特征分类器数量,f(x)为各特征分类器,β为学习参数,作为各特征分类器的权重。
作为优选的实施方式,所述特征分类器为采用Boost的各种变种分类器代替。
作为优选的实施方式,所述S5包括:
S51,用户通过检测发起***并填写车辆信息和车辆VIN码发起检测,所述检测发起***包括但不限于以下形式:PC网页端、APP、小程序等方式;所述车辆信息包括通过图像识别的行驶证信息;
S52,依据所述车辆VIN码和所述行驶证信息解析车辆及其电池的相关静态信息;并基于所述相关静态信息查询电池的品牌系数及所述车辆的电池历史数据;
本实施例的相关静态数据包括:车型、年款、所配备的电池型号和使用年限等;
S53,基于所述电池的品牌系数及所述车辆的电池历史数据分别确定电池的综合健康状态及各电芯的健康状态。
作为优选的实施方式,所述S53通过计算电池放电温度一致性得分并基于所述电池放电温度一致性得分确定电池的综合健康状态及各电芯的健康状态;包括:
通过各电芯在各个充放周期的电池温度与电压、电流、剩余电量的相关系数,取相关系数/>的平均值作为本放电周期的电池放电温度一致性得分;
设定电池放电温度一致性得分波动幅度在20%以及以下为正常,波动幅度在30%-40%为警告状态,波动幅度在40%及以上需要报警并重点提示用户;本领域技术人员应当知晓,波动幅度与是否处于告警状态的数据范围并不是确定的,本领域技术人员可以根据实际情况进行相应的选择和设定,均在本发明的保护范围内。
作为优选的实施方式,所述S53还能够通过计算电池内阻得分并基于所述电池内阻得分确定电池的综合健康状态及各电芯的健康状态;包括:
基于如下公式计算电池组中每个单体的电池内阻:
(7);
为熄火前的瞬间电压,/>为熄火后瞬间恢复电压,I为熄火瞬间电流;
基于各个单体的电池内阻得分是否一致确定电池的综合健康状态及各电芯的健康状态。这是由于电池内阻不一致使得电池组中每个单体在放电过程中热损失的能量各不相同,最终会影响电池单体的能量状态。
作为优选的实施方式,所述S53还能够通过计算电池自放电得分并基于所述电池自放电得分确定电池的综合健康状态及各电芯的健康状态;包括:
选取动力电池静置8小时以上的电池指标数据作为所述电池自放电得分的计算有效数据;
读取静置前后电池参数的变化以表征锂离子电池的自放电程度并作为第一次的电池自放电得分;所述静置前后电池参数包括容量、开路电压和电流;
计算近N次(例如,本实施例为十次)的电池自放电得分的平均值作为电池目前阶段的综合自放电评分;
基于设定的电池自放电得分阈值与电池目前阶段的综合自放电评分的比较确定电池的综合健康状态及各电芯的健康状态。
作为优选的实施方式,所述方法还包括:
S6,基于电池的综合健康状态及各电芯的健康状态形成电池状态报告、健康报告、电芯级别的状态特征报告和损伤综合决策及维修建议报告。
本实施例中,通过请求调用平台的损伤诊断模型,结合车辆的数据特征,实现对新能源车辆电池状态、健康、电芯级别状态、最终维修建议的报告输出。报告包括:
(1)电池状态:将电池评分整体分为电池健康、使用习惯、电池安全、异常报警四大模块,满分100,取四大模块的总分除以4得出分数,90到100为评分优秀,80到90为评分良好,低于80为状态较差。
(2)电池健康:以内阻评分A、容量评分B、自放电评分C、电池放电温度一致性评分D、电压一致性E评分五个维度为电池健康核心依据,并赋予权重:
(A*18%+B*18%+C*12%+D*25%+E*27%),超过90为优秀,80到90位良好,低于80为一般。
(3)电池安全:电芯是否损坏,单体电压、单体温度、单体压差是否过大(过大会导致断电)、车辆运行温度占比、是否绝缘漏电等数据进行评分罗列,有一个项目异常则进行扣分,100分为优秀,90到100为良好,低于90分展示异常(电芯有一个损坏扣除10分、单体电压一个异常扣5分、单体温度一个异常扣除5分、三元锂电池动态压差超过80毫伏扣除10分、磷酸铁锂电池动态压差超过300毫伏扣除10分、绝缘漏电异常扣除10分)
(4)使用***均SOC、充电结束平均SOC、充电开始温度平均、充电结束温度平均(通过数据计算快充占比、充电平均起始SOC、充电结束平均SOC、平均温度等计算用户***均超过37度为过高,25到37之间为正常、充电最低温度平均低于10度为过低,10到35之间为正常,四个正常不扣分,过高扣5分,过低扣5分
(5)异常报警:展示汽车的一级故障报警、二级故障报警、三级故障报警详细,一级故障报警不影响车辆驾驶不扣分、二级故障报警警示用户扣3分、三级故障报警0-5次扣10分、5次以上扣20分。
实施例二
本实施例提供一种基于数据的动力电池损伤检测***,包括:
车辆电池数据读取模块101,用于读取车辆的电池数据;
汽车动力电池大数据交互模块102,用于接收汽车动力电池大数据平台的数据,将所述汽车动力电池大数据平台的数据和车辆的电池数据进行实时数据交互;
电池数据处理模块103,用于对所述汽车动力电池大数据平台的数据和车辆的电池数据进行预处理;
损伤诊断模型建立模块104,用于构建损伤诊断模型,其中所述损伤诊断模型能够根据场景定义构建多个指标,从而对动力电池电芯级的异常状态进行预测,并结合损伤逻辑和/或行业经验方案输出对于动力电池电芯级的维修建议,其中,所述多个指标包括:电池的温度一致性、电压一致性、绝缘漏电和电芯状态特征;
检测模块105,用于基于预处理后的所述汽车动力电池大数据平台的数据和车辆的电池数据以及所述损伤诊断模型对动力电池损伤情况进行检测。
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可以通过软件实现,也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解,上述实施例的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (8)
1.一种基于数据的动力电池损伤检测方法,其特征在于,包括:
S1,读取车辆的电池数据;其中,所述车辆的电池数据包含电池的静态数据和动态数据;所述静态数据包括车辆信息和电池信息,所述动态数据分为电池充放电数据、电池综合性能数据和电池单体数据;
S2,接收汽车动力电池大数据平台的数据,将所述汽车动力电池大数据平台的数据和车辆的电池数据进行实时数据交互;
S3,对所述汽车动力电池大数据平台的数据和车辆的电池数据进行预处理;
S4,构建损伤诊断模型,其中所述损伤诊断模型能够根据场景定义构建多个指标,从而对动力电池电芯级的异常状态进行预测,并结合损伤逻辑和/或行业经验方案输出对于动力电池电芯级的维修建议,其中,所述多个指标包括:电池的温度一致性、电压一致性、绝缘漏电和电芯状态特征;
S5,基于预处理后的所述汽车动力电池大数据平台的数据和车辆的电池数据以及所述损伤诊断模型对动力电池损伤情况进行检测;
所述S3包括:
S31,以标准化的数据字段定义对所述汽车动力电池大数据平台的数据和车辆的电池数据进行分类加工,去除无效数据并存储关键数据;
S32,基于技术场景定义对所述汽车动力电池大数据平台的数据和车辆的电池数据进行数据清洗和分类;
S33,基于电池基本信息、电池健康信息、充放电行为信息、电池安全故障信息和电池单体数据对所述汽车动力电池大数据平台的数据和车辆的电池数据进行数据清洗和分类;
所述S4的所述对动力电池电芯级的异常状态进行预测采用一致性相关分析法进行,包括:
S41,基于充放电作为周期对电池数据进行分割后获得一次充放电周期内的电池数据;
S42,基于时间维度对每一个充放电周期内的动力电池温度T、动力电池电压volt、动力电池电流current和动力电池SOC的变化率进行相关性分析,获得当前充放周期变化相关率θ及温度的校正系数θT;
当前充放周期变化相关率θ及温度的校正系数θT的计算方式如下:
(1);
(2);
其中,为任意两项之间的相关性,/>为各项指标相关性的平均值,Xi、Yi为第i个变量的观察值,/>、/>对应X、Y变量的平均值;
(3);
其中:为最大温度,/>为最低温度,/>为最低温度到最高温度的时间,为最低温度到最高温度过程的平均速度;
S43,基于时间维度对单体电芯的每一个充放电周内的电芯温度DT、电芯电压Dvolt和电芯电流Dcurrent和电芯SOC的变化率进行相关性分析,获得本次充放周期变化相关率Dθ及温度的校正系数DθT;
S44,基于相关性分别计算电池组P及单体电芯DP的评价指标,计算原理为:
(4);
(5);
其中,r为电池组P调节系数,依据各品牌电池的历史数据统计学习得到;Dr为单体电芯DP调节系数。
2.根据权利要求1所述的一种基于数据的动力电池损伤检测方法,其特征在于,所述S4的所述对动力电池电芯级的异常状态进行预测还能够采用电池状态评估模型进行,包括:
S41’,基于历史数据和机器学习算法对所述车辆电池多个特征的重要度进行分析,并析构所述多个特征之间的相关性;所述多个特征包括电压、电流和剩余电量;
S42’,基于所述多个特征之间的相关性和分类模型构建故障分类模型,将所述故障分类模型作为所述损伤诊断模型。
3.根据权利要求2所述的一种基于数据的动力电池损伤检测方法,其特征在于,所述S5包括:
S51,用户通过检测发起***并填写车辆信息和车辆VIN码发起检测,所述检测发起***包括PC网页端、APP和小程序;所述车辆信息包括通过图像识别的行驶证信息;
S52,依据所述车辆VIN码和所述行驶证信息解析车辆及其电池的相关静态信息;并基于所述相关静态信息查询电池的品牌系数及所述车辆的电池历史数据;
S53,基于所述电池的品牌系数及所述车辆的电池历史数据分别确定电池的综合健康状态及各电芯的健康状态。
4.根据权利要求3所述的一种基于数据的动力电池损伤检测方法,其特征在于,所述S53通过计算电池放电温度一致性得分并基于所述电池放电温度一致性得分确定电池的综合健康状态及各电芯的健康状态;包括:
通过各电芯在各个充放周期的电池温度与电压、电流、剩余电量的相关系数,取相关系数/>的平均值作为本放电周期的电池放电温度一致性得分;
设定电池放电温度一致性得分波动幅度在20%以及以下为正常,波动幅度在30%-40%为警告状态,波动幅度在40%及以上需要报警并重点提示用户。
5.根据权利要求4所述的一种基于数据的动力电池损伤检测方法,其特征在于,所述S53还能够通过计算电池内阻得分并基于所述电池内阻得分确定电池的综合健康状态及各电芯的健康状态;包括:
基于如下公式计算电池组中每个单体的电池内阻:
(7);
为熄火前的瞬间电压,/>为熄火后瞬间恢复电压,I为熄火瞬间电流;
基于各个单体的电池内阻得分是否一致确定电池的综合健康状态及各电芯的健康状态。
6.根据权利要求3所述的一种基于数据的动力电池损伤检测方法,其特征在于,所述S53还能够通过计算电池自放电得分并基于所述电池自放电得分确定电池的综合健康状态及各电芯的健康状态;包括:
选取动力电池静置8小时以上的电池指标数据作为所述电池自放电得分的计算有效数据;
读取静置前后电池参数的变化以表征锂离子电池的自放电程度并作为第一次的电池自放电得分;所述静置前后电池参数包括容量、开路电压和电流;
计算近N次的电池自放电得分的平均值作为电池目前阶段的综合自放电评分;
基于设定的电池自放电得分阈值与电池目前阶段的综合自放电评分的比较确定电池的综合健康状态及各电芯的健康状态。
7.根据权利要求1所述的一种基于数据的动力电池损伤检测方法,其特征在于,所述方法还包括:
S6,基于电池的综合健康状态及各电芯的健康状态形成电池状态报告、健康报告、电芯级别的状态特征报告和损伤综合决策及维修建议报告。
8.一种基于数据的动力电池损伤检测***,用于实施权利要求1-7任一所述的方法,其特征在于,包括:
车辆电池数据读取模块(101),用于读取车辆的电池数据;
汽车动力电池大数据交互模块(102),用于接收汽车动力电池大数据平台的数据,将所述汽车动力电池大数据平台的数据和车辆的电池数据进行实时数据交互;
电池数据处理模块(103),用于对所述汽车动力电池大数据平台的数据和车辆的电池数据进行预处理;
损伤诊断模型建立模块(104),用于构建损伤诊断模型,其中所述损伤诊断模型能够根据场景定义构建多个指标,从而对动力电池电芯级的异常状态进行预测,并结合损伤逻辑和/或行业经验方案输出对于动力电池电芯级的维修建议,其中,所述多个指标包括:电池的温度一致性、电压一致性、绝缘漏电和电芯状态特征;
检测模块(105),用于基于预处理后的所述汽车动力电池大数据平台的数据和车辆的电池数据以及所述损伤诊断模型对动力电池损伤情况进行检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410406108.4A CN117991108B (zh) | 2024-04-07 | 2024-04-07 | 一种基于数据的动力电池损伤检测方法与*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410406108.4A CN117991108B (zh) | 2024-04-07 | 2024-04-07 | 一种基于数据的动力电池损伤检测方法与*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117991108A CN117991108A (zh) | 2024-05-07 |
CN117991108B true CN117991108B (zh) | 2024-06-18 |
Family
ID=90896254
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410406108.4A Active CN117991108B (zh) | 2024-04-07 | 2024-04-07 | 一种基于数据的动力电池损伤检测方法与*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117991108B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115327422A (zh) * | 2022-09-05 | 2022-11-11 | 大连理工大学 | 基于充放电行为的电动公交动力电池健康度评价方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR3006450B1 (fr) * | 2013-06-04 | 2015-05-22 | Renault Sa | Procede pour estimer l'etat de sante d'une cellule electrochimique de stockage d'energie electrique |
CN105789716B (zh) * | 2016-03-03 | 2018-04-24 | 北京交通大学 | 一种广义电池管理*** |
CN110703112A (zh) * | 2019-10-14 | 2020-01-17 | 重庆大学 | 一种基于局部充电数据的电池组状态的在线估计方法 |
JP7415654B2 (ja) * | 2020-02-26 | 2024-01-17 | 株式会社デンソー | 電池監視システム |
CN113687255A (zh) * | 2020-05-19 | 2021-11-23 | 国家能源投资集团有限责任公司 | 一种电池单体的状态诊断方法、设备及存储介质 |
KR102632198B1 (ko) * | 2020-11-30 | 2024-02-01 | 중앙대학교 산학협력단 | 배터리 팩의 압력 변이 예측 및 관리를 위한 장치 및 방법 |
CN112732781A (zh) * | 2020-12-30 | 2021-04-30 | 深圳市网联安瑞网络科技有限公司 | 融合数据质量多维度评估的网情态势动态绘制***及方法 |
CN114675188A (zh) * | 2022-03-29 | 2022-06-28 | 北京芯虹科技有限责任公司 | 一种电池健康状态信息确定方法、装置及电池*** |
CN116973782B (zh) * | 2023-08-03 | 2024-05-24 | 广州格悦新能源科技有限公司 | 基于机器学习的新能源汽车保养维护与故障监测诊断方法 |
CN117665620A (zh) * | 2023-10-20 | 2024-03-08 | 上海市新能源汽车公共数据采集与监测研究中心 | 基于新能源汽车数据的电池健康度评估方法 |
-
2024
- 2024-04-07 CN CN202410406108.4A patent/CN117991108B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115327422A (zh) * | 2022-09-05 | 2022-11-11 | 大连理工大学 | 基于充放电行为的电动公交动力电池健康度评价方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117991108A (zh) | 2024-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11525866B2 (en) | Secondary battery management device, secondary battery, and secondary battery management program | |
CN114179675B (zh) | 一种基于物联网的换电柜安全控制方法、***及存储介质 | |
US6586940B2 (en) | Capacity estimation method, degradation estimation method and degradation estimation apparatus for lithium-ion cells, and lithium-ion batteries | |
CN103636030B (zh) | 用于识别安全装置的触发的方法 | |
CN112092675A (zh) | 一种电池热失控预警方法、***及服务器 | |
CN113052464B (zh) | 电池储能***可靠性评估方法及*** | |
CN116973782B (zh) | 基于机器学习的新能源汽车保养维护与故障监测诊断方法 | |
CN110376530A (zh) | 电池内短路检测装置及方法 | |
EP4116132A1 (en) | System and method of monitoring battery | |
CN111983465B (zh) | 一种基于剩余电量估计的电动汽车充电安全防护方法 | |
CN113253138A (zh) | 对电池分类的方法、电池、电池回收利用***和机动车 | |
JP2011127973A (ja) | 二次電池の充電状態推定方法及び装置 | |
CN112550074A (zh) | 一种电动汽车电池内部温度安全预警方法及监测*** | |
CN113625692A (zh) | 一种基于故障注入的电动汽车电池安全性检验*** | |
CN115718258A (zh) | 电池故障检测 | |
CN115356642A (zh) | 一种蓄电池状态监测与评估的方法 | |
CN117991108B (zh) | 一种基于数据的动力电池损伤检测方法与*** | |
CN110780225B (zh) | 一种电池包内短路检测方法、装置和电动汽车 | |
WO2022016862A1 (zh) | 用于监控电池组健康状况的方法和*** | |
CN116626526B (zh) | 电池健康状态的检测方法、装置、终端及存储介质 | |
JP5839093B2 (ja) | 組電池管理システムおよび装置 | |
CN111900500A (zh) | 电池健康诊断的方法 | |
CN112836174A (zh) | 一种基于ahp的实时充电安全评估方法及存储介质 | |
CN114487839A (zh) | 一种电池的预警方法及装置 | |
CN116736144A (zh) | 一种锂电池电芯异常检测方法、***、终端及存储介质 |
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 | ||
GR01 | Patent grant |