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与流程

1.本发明涉及新能源汽车的动力电池测试技术领域，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。


背景技术：

2.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。
3.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。


技术实现要素：

4.针对现有技术的上述问题，本发明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。
5.具体地，本发明提出了一种动力电池异常评估方法，包括步骤：
6.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；
7.s2，获取中位归一值，所述中位归一值k
i,j
的计算公式为：
8.k
i,j
＝(v
i,j-mi)/vmax
i-vmini)；
9.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；mi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； vmaxi、vmini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；
10.s3，建立多维度评价参数；
11.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；
12.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；
13.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
；
14.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countj；
15.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；
16.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。
17.根据本发明的一个实施例，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。
18.根据本发明的一个实施例，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。
19.根据本发明的一个实施例，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。
20.根据本发明的一个实施例，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。
21.根据本发明的一个实施例，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]
根据本发明的一个实施例，所述差值c
i,j
和总次数countj的计算公式为：
[0025][0026]
countj＝when(c
i,j
＞max(c
1,j
))。
[0027]
根据本发明的一个实施例，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]
本发明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]
本发明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]
本发明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，本发明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发明提供进一步的解释。
附图说明
[0032]
包括附图是为提供对本发明进一步的解释，它们被收录并构成本技术的一部分，附图示出了本发明的实施例，并与本说明书一起起到解释本发明原理的作用。
[0033]
附图中：
[0034]
图1示出了本发明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，本技术中的实施例及实施例中的特征可以相互组合。
[0036]
下面将结合本技术实施例中的附图，对本技术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技术一部分实施例，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，决不作为对本技术及其应用或使用的任何限制。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
[0037]
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0038]
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本技术的范围。同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
[0039]
在本技术的描述中，需要理解的是，方位词如“前、后、上、下、左、右”、“横向、竖向、垂直、水平”和“顶、底”等所指示的方位或位置关系通常是基于附图所示的方位或位置关系，仅是为了便于描述本技术和简化描述，在未作相反说明的情况下，这些方位词并不指示和暗示所指的装置或元件必须具有特定的方位或者以特定的方位构造和操作，因此不能理解为对本技术保护范围的限制；方位词“内、外”是指相对于各部件本身的轮廓的内外。
[0040]
此外，需要说明的是，使用“第一”、“第二”等词语来限定零部件，仅仅是为了便于对相应零部件进行区别，如没有另行声明，上述词语并没有特殊含义，因此不能理解为对本技术保护范围的限制。此外，尽管本技术中所使用的术语是从公知公用的术语中选择的，但是本技术说明书中所提及的一些术语可能是申请人按他或她的判断来选择的，其详细含义在本文的描述的相关部分中说明。此外，要求不仅仅通过所使用的实际术语，而是还要通过每个术语所蕴含的意义来理解本技术。
[0041]
众所周知，新能源汽车在实际使用过程中产生并积累了海量数据，其中蕴含的信息可以采用深度挖掘的方式进行提取，将相关特征进行量化后，可以用以评估动力电池短路、热失控的风险。随着大数据技术与机器学习技术的应用与不断发展，依托海量数据对热失控进行风险评估的可行性和有效性得到了大幅提升。本发明专利基于大数据与算法建模技术，对新能源汽车动力电池系统实际测试或运行工况下的海量数据进行处理、分析与学
习，从而将异常特征放大并尽早识别潜在故障，促进新能源汽车的安全使用。
[0042]
图1示出了本发明一个实施例的动力电池异常评估方法的流程框图。如图所示，本发明提供的一种动力电池异常评估方法，包括步骤：
[0043]
s1，数据获取，动力电池包括多个单体电池，获取单体电池的运行数据；
[0044]
s2，获取中位归一值，中位归一值k
i,j
的计算公式为：
[0045]ki,j
＝(v
i,j-mi)/vmax
i-vmini)；
[0046]
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；mi为该时间帧内动力电池的所有电池单体电压的中位值；vmaxi、 vmini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。中位归一值 k
i,j
反映了单体电池电压的波动幅度，获得中位归一值的目的是将单体电池的电压数据归一化，进一步提升收敛速度，为后续实现异常特征的放大所做的提前锁定操作。
[0047]
s3，建立多维度评价参数；
[0048]
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。首末差值k1、极差值k2、方差值k3反映了单体电池的波动幅度。
[0049]
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；
[0050]
获取评价参数c，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
；
[0051]
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countj；
[0052]
s4，计算异常风险评分，应用机器学习算法对评价参数k1、k2、k3、ln、评价参数c，以及评价参数count进行模型训练，获取动力电池的每个单体电池的异常风险评分。所获得的异常风险评分为单参数，异常风险评分融合了前述所有评价参数所蕴含的信息。容易理解的，模型训练包括建立计算机学习模型，赋以各个评价参数不同权重，权重可根据车型/动力电池型号不同作微调。将各电池单体的评价参数的数值乘以权重，求和后最终得到一个综合分数作为异常风险评分。
[0053]
s5，异常评估判定，基于异常风险评分来判定单体电池是否存在异常。通常，异常风险评分越高则代表该电池单体出现异常的概率越大。
[0054]
较佳地，在步骤s1中，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，运行数据至少包括单体电池的电压、序号以及对应时间帧。容易理解的，运行数据还可以包括反映单体电池运行状态的温度、电流、荷电状态、电池充放电状态等数据信息。
[0055]
较佳地，在执行步骤s2之前，制定清洗策略，对获取的单体电池的运行数据采用清洗策略进行清洗。由于在获取的运行数据中会有多种异常情况，如数据错位、数据跳变、数据缺失等现象，因此需要针对不同异常数据情况制定相应的清洗策略。
[0056]
较佳地，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。由于部分运行数据会出现由于电压采样精度低和工作条件复杂等原因造成的噪声污染情
况，针对该部分运行数据，通过应用卡尔曼滤波的五大公式，可得到最优的滤后数值。将过滤处理后的中位归一值k
i,j
作为后续评价参数的计算基础。
[0057]
较佳地，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。绝对值l1～l5反映了单体电池的离群程度。作为举例而非限定，可以根据实际需求将所有时间帧均分成6段、7段或更多段，以更准确地反映单体电池的离群程度。可选的，根据实际需求将所有时间帧以非均分方式分段。
[0058]
较佳地，在步骤s3中，差值c
1,j
的计算公式为：
[0059][0060]
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。评价参数c是一个集合，若动力电池包含92个电池单体，则该集合包含对应的所有92个差值c
1,1
～c
1,92
。
[0061]
较佳地，其特征在于，差值c
i,j
和总次数countj的计算公式为：
[0062][0063]
countj＝when(c
i,j
＞max(c
1,j
))。
[0064]
评价参数count是一个集合，若动力电池包含92个电池单体，则该集合包含 92个数值。
[0065]
较佳地，在步骤s5，根据异常风险评分对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。具体来说，风险程度等级可以包括高、较高、中等与低四个级别。对于高级别，生成三级预警信号并上报；对较高级别生成二级预警信号并上报；对中等级别生成一级预警信号并上报；对低级别不生成预警信号。在实际操作中，各级预警信号可以通过产生声光信号的硬件设备进行安全预警提示。
[0066]
本发明提供的一种动力电池异常评估方法，通过运行数据获取反映点题电池电压变化的中位归一值，基于中位归一值迭代计算多维度评价参数，从而实现了单体电池的异常特征的放大及自动识别，相对原先通过电压数据变化直接诊断故障，采用本方法可为动力电池故障的发现提供预判，并提供预警信号。
[0067]
本发明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，处理器执行计算机程序时实现前述任一项动力电池异常评估方法的步骤。
[0068]
本发明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，计算机程序被处理器执行时实现前述任一项动力电池异常评估方法的步骤。
[0069]
其中，动力电池异常评估设备、计算机可读存储介质的具体实现方式和技术效果均可参见上述本发明所提供的动力电池异常评估方法的实施例，在此不再赘述。
[0070]
本领域技术人员将进一步领会，结合本文中所公开的实施例来描述的各种解说性逻辑板块、模块、电路、和算法步骤可实现为电子硬件、计算机软件、或这两者的组合。为清楚地解说硬件与软件的这一可互换性，各种解说性组件、框、模块、电路、和步骤在上面是以其功能性的形式作一般化描述的。此类功能性是被实现为硬件还是软件取决于具体应用和施加于整体系统的设计约束。技术人员对于每种特定应用可用不同的方式来实现所描述的
功能性，但这样的实现决策不应被解读成导致脱离了本发明的范围。
[0071]
结合本文所公开的实施例描述的各种解说性逻辑模块、和电路可用通用处理器、数字信号处理器(dsp)、专用集成电路(asic)、现场可编程门阵列(fpga) 或其它可编程逻辑器件、分立的门或晶体管逻辑、分立的硬件组件、或其设计成执行本文所描述功能的任何组合来实现或执行。通用处理器可以是微处理器，但在替换方案中，该处理器可以是任何常规的处理器、控制器、微控制器、或状态机。处理器还可以被实现为计算设备的组合，例如dsp与微处理器的组合、多个微处理器、与dsp核心协作的一个或多个微处理器、或任何其他此类配置。
[0072]
结合本文中公开的实施例描述的方法或算法的步骤可直接在硬件中、在由处理器执行的软件模块中、或在这两者的组合中体现。软件模块可驻留在ram存储器、闪存、rom存储器、eprom存储器、eeprom存储器、寄存器、硬盘、可移动盘、cd-rom、或本领域中所知的任何其他形式的存储介质中。示例性存储介质耦合到处理器以使得该处理器能从/向该存储介质读取和写入信息。在替换方案中，存储介质可以被整合到处理器。处理器和存储介质可驻留在asic中。asic可驻留在用户终端中。在替换方案中，处理器和存储介质可作为分立组件驻留在用户终端中。
[0073]
在一个或多个示例性实施例中，所描述的功能可在硬件、软件、固件或其任何组合中实现。如果在软件中实现为计算机程序产品，则各功能可以作为一条或更多条指令或代码存储在计算机可读介质上或藉其进行传送。计算机可读介质包括计算机存储介质和通信介质两者，其包括促成计算机程序从一地向另一地转移的任何介质。存储介质可以是能被计算机访问的任何可用介质。作为示例而非限定，这样的计算机可读介质可包括ram、rom、eeprom、cd-rom或其它光盘存储、磁盘存储或其它磁存储设备、或能被用来携带或存储指令或数据结构形式的合意程序代码且能被计算机访问的任何其它介质。任何连接也被正当地称为计算机可读介质。例如，如果软件是使用同轴电缆、光纤电缆、双绞线、数字订户线(dsl)、或诸如红外、无线电、以及微波之类的无线技术从web网站、服务器、或其它远程源传送而来，则该同轴电缆、光纤电缆、双绞线、dsl、或诸如红外、无线电、以及微波之类的无线技术就被包括在介质的定义之中。如本文中所使用的盘(disk)和碟(disc) 包括压缩碟(cd)、激光碟、光碟、数字多用碟(dvd)、软盘和蓝光碟，其中盘 (disk)往往以磁的方式再现数据，而碟(disc)用激光以光学方式再现数据。上述的组合也应被包括在计算机可读介质的范围内。
[0074]
本领域技术人员可显见，可对本发明的上述示例性实施例进行各种修改和变型而不偏离本发明的精神和范围。因此，旨在使本发明覆盖落在所附权利要求书及其等效技术方案范围内的对本发明的修改和变型。