[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN118091420A - 电池自放电检测方法、系统、设备和介质 - Google Patents

电池自放电检测方法、系统、设备和介质 Download PDF

Info

Publication number
CN118091420A
CN118091420A CN202410042810.7A CN202410042810A CN118091420A CN 118091420 A CN118091420 A CN 118091420A CN 202410042810 A CN202410042810 A CN 202410042810A CN 118091420 A CN118091420 A CN 118091420A
Authority
CN
China
Prior art keywords
battery
discharge
outlier
self
detection
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
Application number
CN202410042810.7A
Other languages
English (en)
Inventor
朱海燕
张宏柯
夏广文
许栋铭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Geely Holding Group Co Ltd
Weirui Electric Automobile Technology Ningbo Co Ltd
Zhejiang Zeekr Intelligent Technology Co Ltd
Original Assignee
Zhejiang Geely Holding Group Co Ltd
Weirui Electric Automobile Technology Ningbo Co Ltd
Zhejiang Zeekr Intelligent Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang Geely Holding Group Co Ltd, Weirui Electric Automobile Technology Ningbo Co Ltd, Zhejiang Zeekr Intelligent Technology Co Ltd filed Critical Zhejiang Geely Holding Group Co Ltd
Priority to CN202410042810.7A priority Critical patent/CN118091420A/zh
Publication of CN118091420A publication Critical patent/CN118091420A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01RMEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367Software therefor, e.g. for battery testing using modelling or look-up tables
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01RMEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/385Arrangements for measuring battery or accumulator variables
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01RMEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/385Arrangements for measuring battery or accumulator variables
    • G01R31/387Determining ampere-hour charge capacity or SoC
    • G01R31/388Determining ampere-hour charge capacity or SoC involving voltage measurements

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Secondary Cells (AREA)
  • Tests Of Electric Status Of Batteries (AREA)

Abstract

本发明提供一种电池自放电检测方法、系统、设备和介质。方法包括:获取连续时间段内电池中电芯的电压,分析对应电池的所有放电起始时刻;基于离群点检测算法,对各电芯的电压进行检测,筛选出离群电芯;依据在不同的放电起始时刻,目标电池中各个电芯的电压,确定各个电芯在不同的放电起始时刻的剩余电量;从所有放电起始时刻中筛选出多个检测时刻;依据各个电芯的剩余电量计算离群电芯在多个检测时刻的自放电率;依据多个检测时刻的自放电率,检测离群电芯是否异常,并在异常时判定离群电芯对应的目标电池自放电故障。为电动车辆的电池管理提供了一个全面、高效且准确的故障诊断方法。

Description

电池自放电检测方法、系统、设备和介质
技术领域
本发明涉及电池检测领域,特别涉及一种电池自放电检测方法、系统、设备和介质。
背景技术
锂电池的构成复杂,涵盖正极、负极、隔膜、电解液、集流体、粘结剂和导电剂等组件。其生产工艺流程漫长,涉及50多个繁复工序。在电池制造、系统集成和应用过程中,难免出现问题,例如电池单体引入杂质、系统集成时金属颗粒污染等。这些问题通常导致单体电池电压低于正常水平,表现为自放电速度加快,进而影响整个电池包的充放电性能,严重时甚至可能引发安全风险。
目前,电池自放电故障预警的主要方法有两种:(1)开路电压衰减测量法,通过监测电压变化率快速筛查异常电芯,或使用高温加速内部副反应原理,通过开路电压、交流内阻和自放电率检测,配合常温下的复筛和终筛进行筛选。(2)实时监测单体电芯的电压或容量变化率,计算自放电率。但是,上述两种主要的方法均存在一定弊端:第一种方法耗时且占用空间,不适合批量检测。随着电动车数量增加,定期召回车辆进行检测操作繁琐、实时性差,难以广泛推广。第二种方法因信号丢失或电芯批次差异等因素,单凭电芯的电压或容量值难以准确判断其异常状态,从而影响电池自放电异常的检测效果。因此,需要提供一种电池自放电检测方法、系统、设备和介质。
发明内容
本发明提供一种电池自放电检测方法。以解决现有技术中电池自放电异常的正检率低的问题。
本发明提供的一种电池自放电检测方法,包括:获取连续时间段内电池中电芯的电压,根据电芯的电压分析对应电池的所有放电起始时刻;其中,所述电池来自于不同的车辆;基于离群点检测算法,对各电芯的电压进行检测,筛选出离群电芯;其中,包含有所述离群电芯的电池作为目标电池;依据在不同的放电起始时刻,所述目标电池中各个电芯的电压,确定各个电芯在不同的放电起始时刻的剩余电量;从所有放电起始时刻中筛选出多个检测时刻;依据各个电芯的剩余电量计算所述离群电芯在多个检测时刻的自放电率;依据多个检测时刻的自放电率,检测所述离群电芯是否异常,并在异常时判定所述离群电芯对应的目标电池自放电故障。
于本发明一实施例中,所述基于离群点检测算法,对各电芯的电压进行检测,筛选出离群电芯包括:根据离群点检测算法,对各电芯的电压进行聚类处理,得到不同的电压簇;从各电芯的电压中,筛选出不属于任一个电压簇的电压,将该电压对应的电芯作为离群电芯。
于本发明一实施例中,所述离群点检测算法为基于密度的局部离群点检测算法。
于本发明一实施例中,所述根据电芯的电压分析对应电池的所有放电起始时刻之后,还包括:从所有放电起始时刻中删除每次充电结束后的第一个放电起始时刻,更新各个放电起始时刻。
于本发明一实施例中,所述从所有放电起始时刻中筛选出多个检测时刻包括:根据连续时间段内,所述目标电池对应的车辆中各电芯的电压,确定所述目标电池对应的车辆中每个电池的放电结束时刻,并依据所有放电起始时刻,计算当前放电起始时刻和前一次放电结束时刻的时间差;筛选出时间差大于或等于预设的静置时长对应的放电起始时刻,并将筛选出的放电起始时刻作为检测时刻。
于本发明一实施例中,所述依据各个电芯的剩余电量计算所述离群电芯在多个检测时刻的自放电率包括:针对每一个检测时刻,计算所述目标电池中所有非所述离群电芯的剩余电量的平均值,以及所述剩余电量的平均值与所述离群电芯的剩余电量的剩余电量差值;针对每一个检测时刻,按照时间顺序,计算当前的检测时刻相对于前一检测时刻的离群电芯的剩余电量差值的变化量和自放电率。
于本发明一实施例中,所述依据多个检测时刻的自放电率,检测所述离群电芯是否异常,并在异常时判定所述离群电芯对应的目标电池自放电故障包括:筛选出自放电率大于预设的自放电阈值的检测时刻;分析筛选出的检测时刻:若筛选出的检测时刻中,存在超过预设数量的连续的检测时刻时,则所述离群电芯异常,对应的所述目标电池自放电故障;否则,所述离群电芯正常,对应的所述目标电池自放电正常。
于本发明一实施例中,所述判定所述目标电池自放电故障之后还包括:获取包含所述目标电池的车辆信息,形成自放电异常的预警信息。
在本发明的另一方面,还提供了一种电池自放电检测系统,所述系统包括:数据获取模块,用于获取连续时间段内电池中电芯的电压,根据电芯的电压分析对应电池的所有放电起始时刻;其中,所述电池来自于不同的车辆;目标电池检测模块,用于基于离群点检测算法,对各电芯的电压进行检测,筛选出离群电芯;其中,包含有所述离群电芯的电池作为目标电池;剩余电量获取模块,用于依据在不同的放电起始时刻,所述目标电池中各个电芯的电压,确定各个电芯在不同的放电起始时刻的剩余电量;检测时刻筛选模块,用于从所有放电起始时刻中筛选出多个检测时刻;自放电率获取模块,用于依据各个电芯的剩余电量计算所述离群电芯在多个检测时刻的自放电率;自放电异常判断模块,用于依据多个检测时刻的自放电率,检测所述离群电芯是否异常,并在异常时判定所述离群电芯对应的目标电池自放电故障。
于本发明一实施例中,还提供一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述电子设备实现上述任一项所述的电池自放电检测方法。
于本发明一实施例中,还提供一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序被计算机的处理器执行时,使计算机执行上述任一项所述的电池自放电检测方法。
本发明提出的一种电池自放电检测方法、系统、设备和介质。通过获取不同车辆电池中电芯的电压数据并分析所有放电起始时刻,能够精确地跟踪电池的放电行为。利用离群点检测算法对电芯电压进行分析,能够有效地筛选出表现异常的离群电芯,并进一步识别出包含这些离群电芯的电池作为目标电池。通过计算这些离群电芯在不同放电起始时刻的剩余电量,准确的评估电池的健康状况。从放电起始时刻中选择多个检测时刻,依据这些时刻的电芯剩余电量,计算离群电芯的自放电率。通过分析这些自放电率,判断电芯对应的电池是否存在自放电故障。本发明为电动车辆的电池管理提供了一个全面、高效且准确的故障诊断方法,有助于及时发现并解决电池性能问题,提高车辆安全性和电池使用寿命。
附图说明
图1为本发明实施例提供的电池自放电检测方法的一个流程示意图;
图2显示为本发明一实施例提供的电池自放电检测系统的结构框图;
图3显示为本发明一实施例电子设备的一结构示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
在下文描述中,探讨了大量细节,以提供对本发明实施例的更透彻的解释,然而,对本领域技术人员来说,可以在没有这些具体细节的情况下实施本发明的实施例是显而易见的,在其他实施例中,以方框图的形式而不是以细节的形式来示出公知的结构和设备,以避免使本发明的实施例难以理解。
本发明提供了一种电池自放电检测方法,这种方法能够高效且准确的监测和诊断电动车辆电池中的自放电问题。通过离群点检测算法筛选出有离群电芯的电池包,并仅针对这些车辆进行监控,从而节省了计算资源并提高了预警效率。计算出的电芯自放电率可以转化后与电芯供应商提供的月自放电率进行比较,以验证其符合性。本发明能够累计统计电池在非静置状态下由自放电导致的电量损失,通过创新的方法提高了电池健康监测的准确性和效率,特别适用于现代电动车辆的电池管理系统。
请参见图1,电池自放电检测方法包括如下步骤:
S1、获取连续时间段内电池中电芯的电压,根据电芯的电压分析对应电池的所有放电起始时刻;其中,所述电池来自于不同的车辆;
S2、基于离群点检测算法,对各电芯的电压进行检测,筛选出离群电芯;其中,包含有所述离群电芯的电池作为目标电池;
S3、依据在不同的放电起始时刻,所述目标电池中各个电芯的电压,确定各个电芯在不同的放电起始时刻的剩余电量;
S4、从所有放电起始时刻中筛选出多个检测时刻;
S5、依据各个电芯的剩余电量计算所述离群电芯在多个检测时刻的自放电率;
S6、依据多个检测时刻的自放电率,检测所述离群电芯是否异常,并在异常时判定所述离群电芯对应的目标电池自放电故障。
以下对各步骤进行详细说明:
S1、获取连续时间段内电池中电芯的电压,根据电芯的电压分析对应电池的所有放电起始时刻;其中,所述电池来自于不同的车辆。
本发明涉及一种用于电动车辆的电池数据分析方法,旨在获取来自不同车辆的电池中,每个电芯的电压数据,并对这些数据进行深入分析。首先,选取一个连续时间段(如一周),在此期间,收集行驶里程总数在预设的里程范围内的待测车辆的电池数据,且电池数据为伪静态(即非充放电状态)下的数据。其中,电池数据主要包括待测车辆电池中电芯的电压信息,可以通过车联网的云端系统获取,也可以通过客户端收集,优选地,本发明中,使用云端获取来自于众多不同待测车辆的车联网数据,并从中提取到不同的待测车辆中各电芯对应的电压数据。
考虑到电池充放电过程中极化电压的影响,故选取车辆下电静置后,上电的第一帧电芯的电压数据作为对应电芯的开路电压数据,其中,每一帧电芯的电压数据中,包括当前车辆中的所有电芯的电压数据。将开路电压对应的时刻作为该车辆中对应电池的放电起始时刻(即上电起始时刻),标志着电池开始放电。进一步地,在本发明一实施例中,所述根据电芯的电压分析对应电池的所有放电起始时刻之后,还包括:从所有放电起始时刻中删除每次充电结束后的第一个放电起始时刻,更新各个放电起始时刻。本发明中,为了消除充电均衡电流带来的计算偏差,在识别出所有待测车辆的放电起始时刻后,还会从所有放电起始时刻中,删除每次充电循环周期完成后的第一个放电起始时刻,从而实现各个放电起始时刻的更新。以使更新后的放电起始时刻中,不会包含任何充电循环周期结束后的第一个放电起始时刻,从而确保了更精准的数据分析和计算。
需要说明的是,本发明适用于各类电动车辆,包括纯电动车和油电混合动力车辆。可以理解的是,本发明对于连续时间段的具体时长不做限定,既可以是一周,也可以是一个月等,本领域技术人员可基于数据处理的速率和需求适应性设置。本发明通过限定待测车辆的行驶里程总数,以特别关注那些自放电可能由生产工艺问题导致的车辆,从而有助于车企更准确地定位具体故障原因并进行分析。
S2、基于离群点检测算法,对各电芯的电压进行检测,筛选出离群电芯;其中,包含有所述离群电芯的电池作为目标电池。
利用离群点检测算法,对所有待测车辆中每个电芯的电压数据进行精细的批处理。通过应用滑动窗口技术,云端连续采集一定数量的电压数据,然后根据离群点检测算法,对这些电压数据进行分析,从而识别出其中的异常值。其中,电压数据中的异常值对应的电芯作为离群电芯,包含该离群电芯的电池作为目标电池,从而能够准确的确定包含目标电池的待测车辆。有助于有效识别和分析电池性能中的潜在问题,为车辆的电池健康监控提供关键信息。
在本发明一实施例中,所述基于离群点检测算法,对各电芯的电压进行检测,筛选出离群电芯包括:
根据离群点检测算法,对各电芯的电压进行聚类处理,得到不同的电压簇;
从各电芯的电压中,筛选出不属于任一个电压簇的电压,将该电压对应的电芯作为离群电芯。
离群点检测算法包括但不限于局部离群因子(Local Outlier Factor,LOF)算法、k近邻算法或基于密度的局部离群点检测(Density-Based Spatial Clustering ofApplications with Noise,DBSCAN)算法等,具体地,在本发明一实施例中,所述离群点检测算法为基于密度的局部离群点检测算法。基于密度的局部离群点检测算法会根据不同的电压分布,在预设的领域半径和邻域半径内最小点个数对电压进行聚类处理,形成不同的电压簇,每个电压簇包括一组密集且相似的电压数据,这些数据反映了对应电芯在某种状态下的正常工作模式。对于不属于任何电压簇的电压值,记为异常值,表示对应的电芯可能存在性能异常或故障,因此将该异常值对应的电芯被识别为离群电芯。通过这种方式,DBSCAN能有效地在电芯电压数据中识别出潜在的问题电芯,从而为车辆的电池健康监测提供关键信息。
S3、依据在不同的放电起始时刻,所述目标电池中各个电芯的电压,确定各个电芯在不同的放电起始时刻的剩余电量。
对于离群电芯中所有电芯的电压在不同放电起始时刻的值:根据预设的不同电池材料对应的开路电压(Open circuit voltage,OCV)与剩余电量(State of Charge,SOC)实验室数据对照表,可以确定在各个放电起始时刻,每个电压值对应的剩余电量。示例性地,如表1所示,获取某个开路电压(如3.458)后,根据该开路电压所属的开路电压区间(如3.456至3.471)以及对应剩余电量的区间(如3至5),基于线性插值法,获取该开路电压对应的剩余电量值。可以理解的是,本实施例仅示意性说明三元电池材料对应的开路电压与剩余电量实验室数据对照表,对于其他的电池材料,本领域技术人员可基于实际实验数据,适应性改动该对照表中的具体数据,在此不做限定。
表1:三元电池材料的开路电压与剩余电量实验室数据对照表
S4、从所有放电起始时刻中筛选出多个检测时刻。
具体地,在本发明一实施例中,所述从所有放电起始时刻中筛选出多个检测时刻包括:
根据连续时间段内,所述目标电池对应的车辆中各电芯的电压,确定所述目标电池对应的车辆中每个电池的放电结束时刻,并依据所有放电起始时刻,计算当前放电起始时刻和前一次放电结束时刻的时间差;
筛选出时间差大于或等于预设的静置时长对应的放电起始时刻,并将筛选出的放电起始时刻作为检测时刻。
对于存在目标电池的车辆,根据获取的该车辆中各电芯的电压数据,识别出每个电芯在所选连续时间段内的所有放电结束时刻。针对每个电芯:遍历更新后的所有放电起始时刻,计算当前起始时刻和前一次放电结束时刻之间的时间差。其中,更新后的所有放电起始时刻,是指从放电起始时刻中删除每次充电结束后的第一个放电起始时刻后,剩余的所有放电起始时刻。考虑到大电流放电后,短暂的静置时间(即时间差)可能会导致极化电压影响较大,从而增加误报率。因此,只有当时间差大于或等于预设的静置时长时,对应的放电起始时刻才会作为该电芯的检测时刻。通过这种方法可以更有效地识别并分析电池性能问题,从而提升电池管理系统的准确性和可靠性。可以理解的是,对于存在目标电池的车辆,其上的每个电芯可能具有多个不同的检测时刻。进一步地,本发明中,还会从得到的所有检测时刻中,将离群电芯的剩余电量小于或等于预设电量阈值(如50%)对应的检测时刻剔除,从而形成最终的若干个检测时刻,其中,电量阈值可适应性设置,在此不做限定。需要说明的是,静置时长的具体时长可基于实际电池性能适应性设置,在此不做限定。
S5、依据各个电芯的剩余电量计算所述离群电芯在多个检测时刻的自放电率。
具体地,在本发明一实施例中,所述依据各个电芯的剩余电量计算所述离群电芯在多个检测时刻的自放电率包括:
针对每一个检测时刻,计算所述目标电池中所有非所述离群电芯的剩余电量的平均值,以及所述剩余电量的平均值与所述离群电芯的剩余电量的剩余电量差值;
针对每一个检测时刻,按照时间顺序,计算当前的检测时刻相对于前一检测时刻的离群电芯的剩余电量差值的变化量和自放电率。
由于目标电池中除了离群电芯,还存在多个正常电芯(即非离群电芯),首先针对每一个检测时刻,根据步骤S3中获取的目标电池中正常电芯以及离群电芯的剩余电量SOC,基于正常电芯的剩余电量值得到正常电芯剩余电量的平均值。由于正常电芯和离群电芯剩余电量通常是不一致的,可以计算二者之间的剩余电量差值ΔSOC。然后遍历所有的检测时刻,按照时间的先后顺序,针对每个检测时刻t:计算当前检测时刻t的剩余电量差值ΔSOCt与前一检测时刻t-1剩余电量差值ΔSOCt-1之间的变化量Δ(ΔSOC)。并计算相邻两个检测时刻的时间差Δt。此后,通过计算剩余电量差值的变化量和检测时刻的时间差的比值k(k=Δ(ΔSOC)/Δt),得到当前检测时刻相对于前一检测时刻,离群电芯的自放电率k。重复执行上述自放电率k的计算过程,可以为每个检测时刻提供离群电芯的自放电率数据,从而有效地监控电池的健康状况。
S6、依据多个检测时刻的自放电率,检测所述离群电芯是否异常,并在异常时判定所述离群电芯对应的目标电池自放电故障。
在步骤S5中获得多个检测时刻的自放电率后,分析获得的各个自放电率数据,以判断离群电芯是否异常,其中,异常是指自放电率明显高于正常水平,或连续多个检测时刻的自放电率持续高于预设的阈值。如果通过对多个检测时刻的数据分析确认离群电芯确实存在异常,那么进一步判断这些离群电芯所在的电池存在自放电故障。这表示该电池的性能和健康状况可能受到影响,需要进一步的检查或维护。
具体地,在本发明一实施例中,所述依据多个检测时刻的自放电率,检测所述离群电芯是否异常,并在异常时判定所述离群电芯对应的目标电池自放电故障包括:
筛选出自放电率大于预设的自放电阈值的检测时刻;
分析筛选出的检测时刻:
若筛选出的检测时刻中,存在超过预设数量的连续的检测时刻时,则所述离群电芯异常,对应的所述目标电池自放电故障;
否则,所述离群电芯正常,对应的所述目标电池自放电正常。
从多个检测时刻中,筛选出自放电率大于预设的自放电阈值的若干个检测时刻,分析筛选出的这些检测时刻,以判断其中是否存在连续的多个检测时刻,在这些连续的检测时刻内,离群电芯的自放电率始终大于预设的自放电阈值。如果存在这种连续的检测时刻,则表示该离群电芯自放电异常,从而认定包含该离群电芯的电池出现自放电故障。相反,如果没有发现这种连续超过阈值的情况,则表示离群电芯的自放电率处于正常范围内,其所在的电池没有自放电故障。更进一步地,在本发明一实施例中,所述判定所述目标电池自放电故障之后还包括:获取包含所述目标电池的车辆信息,形成自放电异常的预警信息。云端判断某个目标电池出现自放电故障后,会获取含有该目标电池的车辆相关信息,并根据该车辆的相关信息生成预警信息并发送至车企平台,以便车企及时根据预警信息对该车辆进行检验。
请参见图2,该电池自放电检测系统100包括:数据获取模块110、目标电池检测模块120、剩余电量获取模块130、检测时刻筛选模块140、自放电率获取模块150和自放电异常判断模块160。其中,上述数据获取模块110用于获取连续时间段内电池中电芯的电压,根据电芯的电压分析对应电池的所有放电起始时刻;其中,所述电池来自于不同的车辆。目标电池检测模块120用于基于离群点检测算法,对各电芯的电压进行检测,筛选出离群电芯;其中,包含有所述离群电芯的电池作为目标电池。剩余电量获取模块130用于依据在不同的放电起始时刻,所述目标电池中各个电芯的电压,确定各个电芯在不同的放电起始时刻的剩余电量。检测时刻筛选模块140用于从所有放电起始时刻中筛选出多个检测时刻。自放电率获取模块150用于依据各个电芯的剩余电量计算所述离群电芯在多个检测时刻的自放电率。自放电异常判断模块160用于依据多个检测时刻的自放电率,检测所述离群电芯是否异常,并在异常时判定所述离群电芯对应的目标电池自放电故障。
关于电池自放电检测系统的具体限定可以参见上文中对于电池自放电检测方法的限定,在此不再赘述。上述电池自放电检测系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件格式内嵌于或独立于计算机设备中的处理器中,也可以以软件格式存储于计算机设备中的存储器中,以便于处理器调用以上各个模块对应的操作。
需要说明的是,为了突出本发明的创新部分,本实施例中并没有将与解决本发明所提出的技术问题关系不太密切的模块引入,但这并不表明本实施例中不存在其它的模块。
请参见图3,所述电子设备1可以包括存储器12、处理器13和总线,还可以包括存储在所述存储器12中并可在所述处理器13上运行的计算机程序,例如电池自放电检测程序。
其中,存储器12至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器12在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。存储器12在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。进一步地,存储器12还可以既包括电子设备1的内部存储单元也包括外部存储设备。存储器12不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如电池自放电检测的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
处理器13在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。处理器13是所述电子设备1的控制核心(Control Unit),利用各种接口和线路连接整个电子设备1的各个部件,通过运行或执行存储在所述存储器12内的程序或者模块(例如电池自放电检测程序等),以及调用存储在所述存储器12内的数据,以执行电子设备1的各种功能和处理数据。
所述处理器13执行所述电子设备1的操作系统以及安装的各类应用程序。所述处理器13执行所述应用程序以实现上述电池自放电检测方法中的步骤。
示例性的,所述计算机程序可以被分割成一个或多个模块,所述一个或者多个模块被存储在所述存储器12中,并由所述处理器13执行,以完成本申请。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述电子设备1中的执行过程。例如,所述计算机程序可以被分割成数据获取模块110、目标电池检测模块120、剩余电量获取模块130、检测时刻筛选模块140、自放电率获取模块150和自放电异常判断模块160。
上述以软件功能模块的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中,所述计算机可读存储介质可以是非易失性,也可以是易失性。上述软件功能模块存储在一个存储介质中,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、计算机设备,或者网络设备等)或处理器(processor)执行本申请各个实施例所述电池自放电检测方法的部分功能。
综上所述,本发明公开的一种电池自放电检测方法、系统、设备及介质,统计了足够长时间静置的车辆在刚上电时离群电芯与正常电芯剩余电量的差值,这个差值随着时间的推移逐渐增大。通过计算相邻两个上电时刻的剩余电量偏差变化量与时间差的比值,计算出在此期间的自放电率并转化成月自放电率。当存在多个连续片段的月自放电率持续超过某一阈值时,则对这些离群电芯进行自放电异常预警。本发明提供了一种在线监测电池包中电芯自放电率异常的方法,与传统方法相比,本发明无需车辆保持较长时间的静置状态即可计算出离群电芯的自放电率,能够在较短时间内准确识别电池包中发生异常自放电的电芯。利用云端数据,本发明可在车辆不需要召回的情况下识别自放电异常电芯,并提前对可能由生产工艺导致的批次问题进行预警和识别。所以,本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。

Claims (11)

1.一种电池自放电检测方法,其特征在于,所述方法包括:
获取连续时间段内电池中电芯的电压,根据电芯的电压分析对应电池的所有放电起始时刻;其中,所述电池来自于不同的车辆;
基于离群点检测算法,对各电芯的电压进行检测,筛选出离群电芯;其中,包含有所述离群电芯的电池作为目标电池;
依据在不同的放电起始时刻,所述目标电池中各个电芯的电压,确定各个电芯在不同的放电起始时刻的剩余电量;
从所有放电起始时刻中筛选出多个检测时刻;
依据各个电芯的剩余电量计算所述离群电芯在多个检测时刻的自放电率;
依据多个检测时刻的自放电率,检测所述离群电芯是否异常,并在异常时判定所述离群电芯对应的目标电池自放电故障。
2.根据权利要求1所述的电池自放电检测方法,其特征在于,所述基于离群点检测算法,对各电芯的电压进行检测,筛选出离群电芯包括:
根据离群点检测算法,对各电芯的电压进行聚类处理,得到不同的电压簇;
从各电芯的电压中,筛选出不属于任一个电压簇的电压,将该电压对应的电芯作为离群电芯。
3.根据权利要求2所述的电池自放电检测方法,其特征在于,所述离群点检测算法为基于密度的局部离群点检测算法。
4.根据权利要求1所述的电池自放电检测方法,其特征在于,所述根据电芯的电压分析对应电池的所有放电起始时刻之后,还包括:从所有放电起始时刻中删除每次充电结束后的第一个放电起始时刻,更新各个放电起始时刻。
5.根据权利要求4所述的电池自放电检测方法,其特征在于,所述从所有放电起始时刻中筛选出多个检测时刻包括:
根据连续时间段内,所述目标电池对应的车辆中各电芯的电压,确定所述目标电池对应的车辆中每个电池的放电结束时刻,并依据所有放电起始时刻,计算当前放电起始时刻和前一次放电结束时刻的时间差;
筛选出时间差大于或等于预设的静置时长对应的相邻的放电起始时刻,并将筛选出的放电起始时刻作为检测时刻。
6.根据权利按要求4所述的电池自放电检测方法,其特征在于,所述依据各个电芯的剩余电量计算所述离群电芯在多个检测时刻的自放电率包括:
针对每一个检测时刻,计算所述目标电池中所有非所述离群电芯的剩余电量的平均值,以及所述剩余电量的平均值与所述离群电芯的剩余电量的剩余电量差值;
针对每一个检测时刻,按照时间顺序,计算当前的检测时刻相对于前一检测时刻的离群电芯的剩余电量差值的变化量和自放电率。
7.根据权利要求4所述的电池自放电检测方法,其特征在于,所述依据多个检测时刻的自放电率,检测所述离群电芯是否异常,并在异常时判定所述离群电芯对应的目标电池自放电故障包括:
筛选出自放电率大于预设的自放电阈值的检测时刻;
分析筛选出的检测时刻:
若筛选出的检测时刻中,存在超过预设数量的连续的检测时刻时,则所述离群电芯异常,对应的所述目标电池自放电故障;
否则,所述离群电芯正常,对应的所述目标电池自放电正常。
8.根据权利要求1所述的电池自放电检测方法,其特征在于,所述判定所述目标电池自放电故障之后还包括:获取包含所述目标电池的车辆信息,形成自放电异常的预警信息。
9.一种电池自放电检测系统,其特征在于,所述系统包括:
数据获取模块,用于获取连续时间段内电池中电芯的电压,根据电芯的电压分析对应电池的所有放电起始时刻;其中,所述电池来自于不同的车辆;
目标电池检测模块,用于基于离群点检测算法,对各电芯的电压进行检测,筛选出离群电芯;其中,包含有所述离群电芯的电池作为目标电池;
剩余电量获取模块,用于依据在不同的放电起始时刻,所述目标电池中各个电芯的电压,确定各个电芯在不同的放电起始时刻的剩余电量;
检测时刻筛选模块,用于从所有放电起始时刻中筛选出多个检测时刻;
自放电率获取模块,用于依据各个电芯的剩余电量计算所述离群电芯在多个检测时刻的自放电率;
自放电异常判断模块,用于依据多个检测时刻的自放电率,检测所述离群电芯是否异常,并在异常时判定所述离群电芯对应的目标电池自放电故障。
10.一种电子设备,其特征在于:所述电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述电子设备实现如权利要求1至8中任一项所述电池自放电检测方法。
11.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,当所述计算机程序被计算机的处理器执行时,使计算机执行权利要求1至8中任一项所述电池自放电检测方法。
CN202410042810.7A 2024-01-11 2024-01-11 电池自放电检测方法、系统、设备和介质 Pending CN118091420A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410042810.7A CN118091420A (zh) 2024-01-11 2024-01-11 电池自放电检测方法、系统、设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410042810.7A CN118091420A (zh) 2024-01-11 2024-01-11 电池自放电检测方法、系统、设备和介质

Publications (1)

Publication Number Publication Date
CN118091420A true CN118091420A (zh) 2024-05-28

Family

ID=91146537

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410042810.7A Pending CN118091420A (zh) 2024-01-11 2024-01-11 电池自放电检测方法、系统、设备和介质

Country Status (1)

Country Link
CN (1) CN118091420A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118472456A (zh) * 2024-07-10 2024-08-09 光大环保技术装备(常州)有限公司 一种废旧电池回收装置及其方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118472456A (zh) * 2024-07-10 2024-08-09 光大环保技术装备(常州)有限公司 一种废旧电池回收装置及其方法

Similar Documents

Publication Publication Date Title
CN110794305B (zh) 一种动力电池故障诊断方法和系统
WO2021169487A1 (zh) 动力电池内单体电池的短路监测方法、系统以及装置
CN112098850B (zh) 基于sdo算法的锂离子电池电压故障诊断方法及系统
CN112098875B (zh) 锂离子电池析锂的检测方法
US20240348064A1 (en) Battery Equalization Method and System
CN110323508B (zh) 电动汽车中动力电池的回收系统和方法
CN110045291B (zh) 一种锂电池容量估计方法
Li et al. A Novel Method for Lithium‐Ion Battery Fault Diagnosis of Electric Vehicle Based on Real‐Time Voltage
CN117805649A (zh) 基于soh量化电池容量衰减对异常电芯进行识别的方法
CN118091420A (zh) 电池自放电检测方法、系统、设备和介质
JP7326237B2 (ja) 複数の電池に関する判定装置、蓄電システム、判定方法及び判定プログラム
CN115248379A (zh) 一种基于多场景融合的动力电池微短路诊断方法及系统
Liu et al. High-dimensional data abnormity detection based on improved Variance-of-Angle (VOA) algorithm for electric vehicles battery
CN114970734A (zh) 异常电池确定方法、装置、计算机设备和存储介质
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
Li et al. Evaluation method for consistency of lithium-ion battery packs in electric vehicles based on the Mahalanobis-Taguchi system
Conradt et al. Electrical non-invasive determination of aging progress and failure mechanisms of field aged automotive lead batteries
CN117031337A (zh) 一种电芯内短路检测方法、装置、存储介质及设备
CN117471325A (zh) 故障诊断方法及装置
EP4382937A1 (en) Abnormal battery cell identification method and apparatus, electronic device, and storage medium
CN114002603B (zh) 识别电芯的方法、装置及计算机存储介质
Zhou et al. A review of state-of-health estimation of lithiumion batteries: Experiments and data
Pelosi et al. Real-time Lithium-ion battery state of health evaluation based on discrete wavelet transform: The effect of operating temperature
CN118655473B (zh) 故障电池筛选方法、装置、电子设备、介质及程序产品
US20230236264A1 (en) Methods, systems and terminal devices for analyzing cell states based on cell parameters

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