一种动力电池异常评估方法、评估设备及计算机可读存储介质技术

本发明专利技术涉及一种动力电池异常评估方法、评估设备及计算机可读存储介质。该动力电池异常评估方法包括S1，数据获取；S2，获取中位归一值；S3，建立多维度评价参数；S4，计算异常风险评分；S5，异常评估判定，基于所述异常风险评分来判定单体电池是否存在异常。本发明专利技术提出了一种动力电池异常评估方法、评估设备及计算机可读存储介质，能够对动力电池进行有效异常风险评估，为后续的预警工作做好准备。为后续的预警工作做好准备。为后续的预警工作做好准备。

【技术实现步骤摘要】
一种动力电池异常评估方法、评估设备及计算机可读存储介质


[0001]本专利技术涉及新能源汽车的动力电池测试
，尤其涉及一种动力电池异常评估方法、评估设备及计算机可读存储介质。

技术介绍

[0002]新能源汽车的推广使用不仅有助于产业机构调整减少传统汽车对非可再生资源的消耗，还有利于推动我国能源消费结构逐步转型。然而，随着我国新能源汽车保有量日趋增高，由此带来的电池性能衰减、车辆自燃等汽车安全问题已不容忽视。电池内短路、热失控所带来的安全问题是动力电池故障的主要原因，如能通过技术手段，实现对动力电池内短路、热失控等初期异常特征的放大及提前锁定，则可以提前给予测试人员、车辆驾驶员警示，提高安全保障。
[0003]与此同时，新能源汽车在实际使用过程中产生并积累了大量的数据，基于新能源车辆运行的全生命周期大数据深度挖掘、深度处理、深度分析，具有十分重要的意义，可用于发现、评估动力电池内部的潜在故障风险。随着大数据技术与各类算法模型的应用与不断发展，如何依托海量数据对内短路、热失控进行有效风险评估成为一个亟待解决的问题。

技术实现思路

[0004]针对现有技术的上述问题，本专利技术提出了一种动力电池异常评估方法、评估设备及计算机可读存储介质，能够对动力电池进行有效异常风险评估，为后续的预警工作做好准备。
[0005]具体地，本专利技术提出了一种动力电池异常评估方法，包括步骤：
[0006]S1，数据获取，所述动力电池包括多个单体电池，获取所述单体电池的运行数据；
[0007]S2，获取中位归一值，所述中位归一值K
i,j
的计算公式为：
[0008]K
i,j
＝(V
i,j
‑
M
i
)/Vmax
i
‑
Vmin
i
)；
[0009]其中，下标i表示时间帧的序号，j代表电池单体的序号；V
i,j
为某一时间帧某一单体的电压；M
i
为该时间帧内所述动力电池的所有电池单体电压的中位值； Vmax
i
、Vmin
i
分别表示在对应时间帧内所有电池单体电压的最大值、最小值；
[0010]S3，建立多维度评价参数；
[0011]获得每一电池单体在所有时间帧内中位归一值K
i,j
的首末差值K1、极差值K2、方差值K3，将首末差值K1、极差值K2、方差值K3作为评价参数；
[0012]采用分段取样方式将所有时间帧均分成n段，获取每一段中末时间帧对应的中位归一值K
i,j
的绝对值Ln，n为大于3的整数，将绝对值Ln作为评价参数；
[0013]获取评价参数C，所述评价参数C用于表征某一单体电池的首个时间帧的中位归一值K
i,j
与其自身所有中位归一值K
i,j
的算术平均值的差值C
1,j
；
[0014]获取评价参数Count，计算某一时间帧某一单体电池的中位归一值K
i,j
与其自身所
有中位归一值K
i,j
算术平均值的差值C
i,j
，计算每个单体电池的差值C
i,j
大于所有单体电池差值C
1,j
中的最大值的总次数Count
j
；
[0015]S4，计算异常风险评分，应用机器学习算法对所述评价参数K1、K2、K3、Ln、评价参数C，以及评价参数Count进行模型训练，获取所述动力电池的每个单体电池的异常风险评分；
[0016]S5，异常评估判定，基于所述异常风险评分来判定单体电池是否存在异常。
[0017]根据本专利技术的一个实施例，在步骤S1中，所述单体电池的运行数据是在实际运行工况、测试工况或模拟工况下获得，所述运行数据至少包括所述单体电池的电压、序号以及对应时间帧。
[0018]根据本专利技术的一个实施例，在执行步骤S2之前，制定清洗策略，对获取的所述单体电池的运行数据采用所述清洗策略进行清洗。
[0019]根据本专利技术的一个实施例，在执行步骤S3之前，对获取的中位归一值K
i,j
进行卡尔曼滤波算法处理。
[0020]根据本专利技术的一个实施例，在步骤S3中，将所有时间帧均分成5段，分别获取20％、40％、60％、80％及100％时间帧对应的中位归一值K
i,j
的绝对值L1～L5，将绝对值L1～L5作为评价参数。
[0021]根据本专利技术的一个实施例，在步骤S3中，所述差值C
1,j
的计算公式为：
[0022][0023]其中，K
1,j
为某一电池单体的首个时间帧的中位归一值；为对应电池单体在所有时间帧内中位归一值K
i,j
的算术平均值。
[0024]根据本专利技术的一个实施例，所述差值C
i,j
和总次数Count
j
的计算公式为：
[0025][0026]Count
j
＝When(C
i,j
＞Max(C
1,j
))。
[0027]根据本专利技术的一个实施例，在步骤S5，根据异常风险评分对所述单体电池划分风险程度等级，对不同风险程度等级设置不同的预警信号。
[0028]本专利技术还提供了一种动力电池异常评估设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现前述任一项所述动力电池异常评估方法的步骤。
[0029]本专利技术还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现前述任一项所述动力电池异常评估方法的步骤。
[0030]本专利技术提供的一种动力电池异常评估方法、评估设备及计算机可读存储介质，能够对动力电池的异常特征进行及自动识别，从而对动力电池异常进行有效风险评估。
[0031]应当理解，本专利技术以上的一般性描述和以下的详细描述都是示例性和说明性的，并且旨在为如权利要求所述的本专利技术提供进一步的解释。
附图说明
[0032]包括附图是为提供对本专利技术进一步的解释，它们被收录并构成本申请的一部分，附图示出了本专利技术的实施例，并与本说明书一起起到解释本专利技术原理的作用。
[0033]附图中：
[0034]图1示出了本专利技术一个实施例的动力电池异常评估方法的流程框图。
具体实施方式
[0035]需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
[0036]下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整的描述。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。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本申请及其本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种动力电池异常评估方法，包括步骤：S1，数据获取，所述动力电池包括多个单体电池，获取所述单体电池的运行数据；S2，获取中位归一值，所述中位归一值K
i，j
的计算公式为：K
i，j
＝(V
i，j
‑
M
i
)/(Vmax
i
‑
Vmin
i
)；其中，下标i表示时间帧的序号，j代表电池单体的序号；V
i，j
为某一时间帧某一单体的电压；M
i
为该时间帧内所述动力电池的所有电池单体电压的中位值；Vmax
i
、Vmin
i
分别表示在对应时间帧内所有电池单体电压的最大值、最小值；S3，建立多维度评价参数；获得每一电池单体在所有时间帧内中位归一值K
i，j
的首末差值K1、极差值K2、方差值K3，将首末差值K1、极差值K2、方差值K3作为评价参数；采用分段取样方式将所有时间帧均分成n段，获取每一段中末时间帧对应的中位归一值K
i，j
的绝对值Ln，n为大于3的整数，将绝对值Ln作为评价参数；获取评价参数C，所述评价参数C用于表征某一单体电池的首个时间帧的中位归一值K
i，j
与其自身所有中位归一值K
i，j
的算术平均值的差值C
1，j
；获取评价参数Count，计算某一时间帧某一单体电池的中位归一值K
i，j
与其自身所有中位归一值K
i，j
算术平均值的差值C
i，j
，计算每个单体电池的差值C
i，j
大于所有单体电池差值C
1，j
中的最大值的总次数Count
j
；S4，计算异常风险评分，应用机器学习算法对所述评价参数K1、K2、K3、Ln、评价参数C，以及评价参数Count进行模型训练，获取所述动力电池的每个单体电池的异常风险评分；S5，异常评估判定，基于所述异常风险评分来判定单体...

【专利技术属性】
技术研发人员：谢欢，钱凯程，臧鹏飞，朱顺良，詹伟杰，
申请(专利权)人：上海机动车检测认证技术研究中心有限公司，
类型：发明
国别省市：