电池状态监控方法、存储介质和系统与流程

本发明涉及电动车辆中电池安全监控技术领域，具体涉及一种电池状态监控方法、存储介质和系统。

背景技术：

随着电动车辆的推广和车联网技术的应用，越来越多的电动车辆进入了消费者市场。目前电动车辆的故障中，电芯一致性差、soc低报警、单体电池欠压报警、可充电储能系统不匹配、车载储能装置类型欠压为电动车辆的主要故障，上述故障可以在电动车辆所有故障类型中排名前五,且这五类故障量占总故障量中占比为78％。

电池作为电动车辆的动力来源，随着充放电次数和行驶里程的增加，电池的容量不断衰减、电池安全隐患增多，其出现故障的可能性也越来越高。目前，在电动车辆中，电池使用过程中的电芯一致性对电池的安全性和故障率影响非常明显。

现有技术中，对电池电芯一致性评估的方法主要是采用静态测试方法测量得到电池中电芯单体的电压、电芯容量、内阻和soc分布值，之后为各测量值添加评估权值，对各测量值进行加权平均计算，以获取电池的电芯一致性的评估系数，采用上述方法需要测量的测试值较多、操作复杂时间长，只能用于电池生产企业在电池生产过程中的实验操作，而一旦电池出厂以后就难以对其电芯一致性进行有效地监控。此外，电池中多采用锂电池，而锂电池是典型的动态非线性的电化学系统，在应用时其内部参数(电芯容量，电池内阻，电芯的内部温度等)是难以实时测量的，电池变化状态识别和状态估计仍存在巨大挑战。再者，目前虽然电动车辆需要按照规定将车辆运行数据上传至云端服务器，供厂家对电动车辆运行过程中的安全性能进行监控，但是数据上传并非是实时进行的，其存在严重的滞后性，因此很难在第一时间发现电池故障问题。

因此，亟需一种能够在电动车辆出厂以后继续对电动车辆中的电池安全性进行实时地监控的技术方案来解决以上问题。

技术实现要素：

本发明实施例旨在提供一种电池状态监控方法、存储介质和系统，以解决现有技术中在电动车辆出厂后无法对电池进行安全监控的技术问题。

为此，本发明提供一种电池状态监控方法，包括如下步骤：

获取电池的历史运行参数与电芯极差之间的对应关系；

获取预设时间段内电池的运行参数，根据所述电池的运行参数与所述对应关系确定当前时刻所述电池的预估电芯极差；所述预设时间段与所述当前时刻之间的间隔小于设定时长；

根据所述电池的预估电芯极差确定所述电池是否为安全状态；

其中，所述电芯极差为电池中最大电芯电压值与最小电芯电压值之间的差值。

可选地，上述的电池状态监控方法中：

所述电池的历史运行参数为在历史时间段内所述电池处于充电过程时的历史充电参数；

所述预设时间段内电池的运行参数为所述预设时间段内所述电池处于充电过程时的充电参数。

可选地，上述的电池状态监控方法中：

根据电池的历史充电数据得到历史充电参数与电芯极差之间的对应关系的步骤中包括：提取所述历史充电数据中的电池电流值、电池温度、电池电压值和/或电池soc值作为所述历史充电参数，以所述历史充电参数作为输入样本；提取所述历史充电数据中的电池电芯极差作为输出样本，其中所述输出样本的采集时间落后于所述输入样本的采集时间；根据所述输入样本和所述输出样本对机器学习模型进行训练，将训练好的机器学习模型作为状态监控模型；所述状态监控模型用于表示所述对应关系；

根据所述电池的充电参数与所述对应关系确定当前时刻所述电池的预估电芯极差的步骤中：提取所述电池的充电参数中的电池电流值、电池温度、电池电压值和/或电池soc值作为输入参数输入至所述状态监控模型中，以所述状态监控模型的输出作为所述电池的预估电芯极差；其中以所述输出样本的采集时间与所述输入样本的采集时间的时间间隔作为所述设定时长。

可选地，上述的电池状态监控方法中，根据电池的历史充电数据得到历史充电参数与电芯极差之间的对应关系之间的对应关系的步骤中包括：

数据分组步骤：将所述历史充电数据分为两组，第一组历史充电数据的数据量大于第二组历史充电数据的数据量；

模型训练步骤：提取第一组历史充电数据中的输入样本和输出样本对所述机器学习模型进行训练得到初始状态监控模型；

模型验证步骤：提取第二组历史充电数据中的输入样本和输出样本对所述初始状态监控模型进行验证，若验证通过则以所述初始状态监控模型作为所述状态监控模型，否则增加所述第一组历史充电数据的数据量后返回所述模型训练步骤。

可选地，上述的电池状态监控方法中，根据电池的历史充电数据得到历史充电参数与电芯极差之间的对应关系的步骤中包括：

数据分组步骤：将所述历史充电数据分为k组，将其中一组历史充电数据作为测试样本数据，其余组历史充电数据作为训练样本数据；

模型训练步骤：提取训练样本数据中的输入样本和输出样本对所述机器学习模型进行训练得到初始状态监控模型；

模型验证步骤：提取测试样本数据中的输入样本和输出样本对所述初始状态监控模型进行验证，若验证通过则以所述初始状态监控模型作为备选状态监控模型；

交叉验证步骤：将另一组历史充电数据作为测试样本数据，其余组历史充电数据作为训练样本数据，重复所述模型训练步骤和所述模型验证步骤，直到所有k组历史充电数据均已被选择为测试样本数据；

模型确定步骤：根据所有备选状态监控模型确定所述状态监控模型。

可选地，上述的电池状态监控方法中，所述模型确定步骤中：

以验证结果准确率最高的备选状态监控模型作为状态监控模型；或，以所有备选状态监控模型中的调节系数的平均值作为实际调节系数以得到状态监控模型。

可选地，上述的电池状态监控方法中，根据所述电池的预估电芯极差确定所述电池是否为安全状态的步骤包括：

根据如下方式获取电池的电芯一致性参数：其中，vgap_1为所述预估电芯极差，vgap_0为预设电芯极差阈值；

若r_v＞r_v_0，则判定所述电池为不安全状态，r_v_0为预设电芯一致性参数阈值。

可选地，上述的电池状态监控方法中，所述根据电池的历史充电数据得到历史充电参数与电芯极差之间的对应关系的步骤之前还包括：

获取历史时间段内电池的历史状态数据合集，所述历史状态数据合集中的每一所述历史状态数据均被配置有状态标识符；

若所述状态标识符表示充电状态，则将所述历史状态数据作为所述历史充电数据。

可选地，上述的电池状态监控方法中，获取历史时间段内电池的历史状态数据合集，所述历史状态数据合集中的每一所述历史状态数据均被配置有状态标识符的步骤还包括：

筛除所述历史状态数据合集中的重复历史状态数据、错误历史状态数据和不完整历史状态数据。

本发明还提供一种计算机可读存储介质，所述存储介质中存储有程序指令，计算机读取所述程序指令后执行以上任一项所述的电池状态监控方法。

本发明还提供一种电池充电过程状态监控系统，包括至少一个处理器和至少一个存储器，至少一个所述存储器中存储有程序指令，至少一个所述处理器读取所述程序指令后执行以上任一项所述的电池状态监控方法。

本发明提供的上述技术方案，与现有技术相比，至少具有如下有益效果：

本发明提供的电池状态监控方法、存储介质和系统，能够根据电池的历史运行数据得到电池历史运行数据对未来电芯极差的影响，从而确定电池历史运行过程中电池参数与电芯极差之间的对应关系；因此，根据上述对应关系以及当前时刻以前一段时间内的电池运行数据就能够预测出当前时刻下电池的预估电芯极差，从而可以根据当前时刻下电池的预估电芯极差确定电池是否为安全状态。如此能在电动车辆出厂之后，继续对电池的电芯一致性进行监控，能够及时发现由于电芯一致性问题引起的电池故障，确保电动车辆行驶过程中的安全性和稳定性。

附图说明

图1为本发明一个实施例所述电池状态监控方法的流程图；

图2为本发明另一个实施例所述的电池状态监控方法的流程图；

图3为本发明一个实施例所述利用线性回归模型对电芯一致性进行预测的数据处理流程示意图；

图4为采用本发明实施例所述线性回归模型预测的电芯一致性结果与实际电芯一致性结果之间的偏差值示意图；

图5为本发明一个实施例所述电池充电过程状态监控系统的硬件连接关系示意图。

具体实施方式

下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述。通常在此处附图中描述和提供的本发明实施例的组件可以以各种不同的配置来布置和设计。

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的简化描述，而不是指示或暗示所指的装置或组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。其中，术语“第一位置”和“第二位置”为两个不同的位置。

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，可以是两个组件内部的连通。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。

实施例1

本实施例提供一种电池状态监控方法，可应用于车辆管理平台中，如图1所示，所述方法包括如下步骤：

s101：获取电池的历史运行参数与电芯极差之间的对应关系。车辆管理平台可以对大量的电动车辆进行监控管理，其能够对电动车辆运行过程中的所有数据进行采集和存储。其中，每一被管理的电动车辆都具有自己唯一的车辆标识，相应地每一电动车辆的电池以及电池在运行过程中的相关数据也都会被分配一个特定的数据标识后存储，因此本步骤中通过识别到数据标识或者车辆标识就能够唯一确定地得到是哪一电池。其中，电池的历史运行数据和电芯极差之间存在一定的时间差，例如历史运行数据为2019年10月-11月两个月内的电池运行数据，则在该时间段内，以某一电池的电芯极差与该电芯极差对应时间向前推一周的时间得到的电池运行参数作为一组数据，从而得到的是电池的运行参数与一周后的电芯极差之间的对应关系。相应地，上述时间段可以根据实际需要进行调整。

s102：获取预设时间段内电池的运行参数，根据所述电池的运行参数与所述对应关系确定当前时刻所述电池的预估电芯极差；所述预设时间段与所述当前时刻之间的间隔小于设定时长；本步骤中的设定时长可以根据步骤s101中在获取对应关系时选择的历史数据与电芯极差之间的时间间隔作为参考。

s103：根据所述电池的预估电芯极差确定所述电池是否为安全状态；可以预先设置一个标准的电芯极差范围，如果预估电芯极差不在该标准范围内则可以认定电池处于不安全状态。其中，电芯极差为电池中最大电芯电压值与最小电芯电压值之间的差值

本实施例提供的以上技术方案，通过建立电池的历史运行参数(电流/soc/温度等)与电压极差预测算法来进行电池系统安全状态进行评估，由于车辆管理平台能够对电动车辆的电池数据实时长历史周期的采集，从电池的额定信息和状态监测数据(电压、电流、温度或soc等)挖掘其中隐含的电池状态信息及其演变规律，实现充电过程中电池的电芯一致性预测，辅助车辆管理平台动态的监控和预测车辆的电池故障情况。而且，由于采用的是电池历史运行数据对未来电池状态进行预测，因此不存在数据延迟和滞后的问题，同时不受限于试验阶段，能够在电动车辆出厂之后继续实时地对电池状态进行监控。

优选地，以上方案中，所述电池的历史运行参数为在历史时间段内所述电池处于充电过程时的历史充电参数；所述预设时间段内电池的运行参数为所述预设时间段内所述电池处于充电过程时的充电参数。参考图2，上述方法可以包括如下步骤：

s201：根据电池的历史充电数据得到所述电池的电芯极差与充电数据之间的对应关系。根据国家标准规定，电动车辆中电池运行数据的组成部分需要按照国标执行，电池充电过程中的数据需配置有充电标识符，并且对于处于快充状态和慢充状态两种充电情况下的标志符应该予以区分。所以在执行本步骤之前，本方法还可以包括如下步骤：获取历史时间段内的历史状态数据合集，所述历史状态数据合集中的每一所述历史状态数据均被配置有状态标识符；若所述状态标识符表示充电状态，则将所述历史状态数据作为所述历史充电数据。对于车辆管理平台来说，可以方便从电动车辆的电池运行数据中提取出历史充电数据。

s202：预设时间段内所述电池处于充电过程时的充电参数，根据所述充电参数以及所述对应关系得到所述电池的预估电芯极差；

s203：根据所述电池的预估电芯极差确定所述电池是否为安全状态。

也即，以充电过程中电池的状态参数进行电池电芯一致性预测的数据基础。因为在充电过程中车辆保持静止状态，电池的状态参数变化最为稳定，受到外界环境影响最小，采用充电过程中的数据对电池电芯一致性进行预测具有更高的准确性。

优选地，以上方法中，所述步骤s201中包括：提取所述历史充电数据中的电池电流值、电池温度、电池电压值和/或电池soc值作为所述历史充电参数，以所述历史充电参数作为输入样本；提取所述历史充电数据中的电池电芯极差作为输出样本，其中所述输出样本的采集时间落后于所述输入样本的采集时间；根据所述输入样本和所述输出样本对机器学习模型进行训练，将训练好的机器学习模型作为状态监控模型；所述状态监控模型用于表示所述对应关系。

所述步骤s202中包括：提取所述电池的充电参数中的电池电流值、电池温度、电池电压值和/或电池soc值作为输入参数输入至所述状态监控模型中，以所述状态监控模型的输出作为所述电池的预估电芯极差；其中以所述输出样本的采集时间与所述输入样本的采集时间的时间间隔作为所述设定时长。

机器学习模型可以采用现有技术中已有的机器学习算法实现，本方案中采用matlab机器学习类线性回归模型来实现。具体包括如下步骤：

(1)获取电池的历史充电数据

直接通过车辆管理平台中已有的电动车辆电池运行数据中下载预设时间段内运行中的电动车辆上传的bms国标数据，其中：

1、以月为单位来进行数据下载整理使用。例如：2018.2.01-2.28。

2、数据保存格式不限，例如：*.xls,*.xlsx,*.csv等均可。

(2)对历史充电数据进行数据清洗操作

数据清洗是对数据进行重新审查和校验的过程，目的在于删除重复信息、纠正存在的错误，确保数据一致性。在bms系统上传到车辆管理平台的源数据包括电池组的电流、电压、soc值等信息，一方面，这些数据庞大复杂，可用于本方案中电池电芯一致性评估的数据只是其中一部分，因此需要剔除无用的数据。另一方面，源数据存在错位、重复和空值的现象，这些错误的或有冲突的数据需要被清洗掉，只需要保留有用的数据即可。

(3)根据所得数据特征筛选有用数据，组成新的数据样本

由于电池的电压和电流的采样周期为10-30s，电动车辆的动态工况导致电池负载电流具有频繁变化的特征，导致电压变化大，无法获得稳定可靠的数据，其次，锂电池充电极易发生过充、热失控、析锂等安全问题，此外，由于车辆管理平台下的电动车辆可能存在运行时间长，车辆使用率高，车辆快充比例高的情况，因此本方案中筛选充电过程中的数据来生成对应关系。而充电过程可以分为快充和慢充两种情况，在实际选择时可以分别对两类充电状态下的数据分别建立电芯一致性预测模型，本方案中是以快充段数据作为数据样本来操作的。采用本方案中的步骤对使用慢充数据来进行慢充过程中电池电芯一致性的预测也是可实现的。本方案中建立数据样本三个，如图3所示，样本数据a,样本数据b和样本数据c。样本数据的采集顺利依次为样本数据a早于样本数据b,样本数据b早于样本数据c。本例中样本数据a为三月前的两个月样本，样本数据b为三月前的最近一个月样本，样本数据c为最近一星期样本。参见图3，其中样本数据中的电池电流i，soc值、温度t和电压值v作为特征参数被提取出来，用于作为机器学习模型中的自变量输入，以电芯极差作为机器学习模型的输出对机器学习模型进行训练。其中首先利用样本数据a对机器学习模型进行训练，利用样本数据b对训练后的机器学习模型进行检验，如果检验通过了则可以直接利用样本数据c对当前电芯极差进行预估，否则重新利用样本数据a和样本数据b对机器学习模型进行训练和检验。以上方案中，对于线性回归模型的验证过程可以采用如下方式：

步骤a1，数据分组步骤：将所述历史充电数据分为两组，第一组历史充电数据的数据量大于第二组历史充电数据的数据量；也即直接将作为训练验证样本的数据分为a组和b组。

步骤a2，模型训练步骤：提取第一组历史充电数据中的输入样本和输出样本对所述机器学习模型进行训练得到初始状态监控模型；也即利用a组数据对机器学习模型进行训练得到初始状态监控模型。

步骤a3，模型验证步骤：提取第二组历史充电数据中的输入样本和输出样本对所述初始状态监控模型进行验证，若验证通过则以所述初始状态监控模型作为所述状态监控模型，否则增加所述第一组历史充电数据的数据量后返回所述数据分组步骤。也即利用b组数据对初始状态模型进行验证，验证通过后可得到状态监控模型。

作为另一种方式，可通过如下方式对机器学习模型进行训练和验证：

步骤b1，数据分组步骤：将所述历史充电数据分为k组，将其中一组历史充电数据作为测试样本数据，其余组历史充电数据作为训练样本数据；

步骤b2，模型训练步骤：提取训练样本数据中的输入样本和输出样本对所述机器学习模型进行训练得到初始状态监控模型；

步骤b3，模型验证步骤：提取测试样本数据中的输入样本和输出样本对所述初始状态监控模型进行验证，若验证通过则以所述初始状态监控模型作为备选状态监控模型；

步骤b4，交叉验证步骤：将另一组历史充电数据作为测试样本数据，其余组历史充电数据作为训练样本数据，重复所述模型训练步骤和所述模型验证步骤，直到所有k组历史充电数据均被选择为测试样本数据；

步骤b5，模型确定步骤：根据所有备选状态监控模型确定所述状态监控模型。

本方案中优选交叉验证方式，所述交叉验证方法中对于各个模型的参数框架进行优化。算法的可靠性依赖参数框架，就是说哪些电池数据对于产生的结果是最有效的。锂电池作为电化学反应提供电能的系统，其工作过程涉及到多孔固相扩散，液体内离子迁移，表层电化学反应，固体导电等多个物理化学过程，因此，锂电池的综合性能受电池设计，工作温度，工作电流，soc值等因素影响非常明显。对于特定的车辆，锂电池的单体电压的分布受较多因素影响，主要是总电流，总电压，单体温度，soc等因素。使用少量的且与模型目标值相关的数据会增加学习模型的准确度和学习效率。在本具体实施方式中，为了提高参数框架的质量，首先把原始的数据随机分成k个部分。在这k个部分中，选择其中一个部分作为测试数据，剩下的k-1个部分作为训练数据得到相应的实验结果。然后，挑选另外一个部分作为测试数据，剩下的k-1个部分作为训练数据，以此类推，重复进行k次交叉检验的。每次实验都从k个部分中选择一个不同的部分作为测试数据，保证k个部分的数据都分别做过测试数据，剩下的k-1个当作训练数据进行实验。

而在以上步骤b5中，以验证结果准确率最高的备选状态监控模型作为状态监控模型；或，以所有备选状态监控模型中的调节系数的平均值作为实际调节系数以得到状态监控模型。也就是优选把得到的k个实验结果平均，所述实验结果可以为预测值和校验值的差值，使得差值越小越好，从而确定最佳的分类，实现模型的训练。参考图3，本方案中使用的是matlab内置的regressionlearnerapp来进行数据的训练和预测，k取值4。使用可决系数(rs)来评估回归效果。可决系数是指回归平方和(ess-explainedsumofsquares)在总变差(tss-totalsumofsquares)中所占的比重，计算公式如下：

其中yi′为预测得到的电芯一致性结果，yi为实际电芯一致性结果。

同样参考图3，使用数据样本a为数据输入样本，使用k次交叉检验训练和验证模型，计算rs1值，训练样本可能由于数据量小，而导致回归效果差，即rs1值不能达到要求值(记为rs_std)，本例中使用rs_std＝0.99,则需要对输入更长时间记录的训练样本，来训练模型，即流程重回“数据输入”的开始处；若rs1值通过验证，继续向下进行：使用样本b作为输入，计算rs2，判断rs2是否通过验证(能不能达到要求rs_std),若rs2值未通过验证,则再次重回“数据输入”的开始处，重新加大数据a的数据输入量，重新执行流程；若rs2值通过验证，则继续进行下一步，获得最终可用的回归模型。本例中使用一个月的车辆运行历史数据作为a样本来训练样本，并使用一个月数据作为样本b进行验证，发现rs1达标，rs2不达标，后使用两个月的车辆运行历史数据作为a样本来训练模型，rs1、rs2均达标。其中，参考图4，如果以电池soc值与电芯极差值之间的关系作为一致性评判基准的，利用本方案中的机器学习模型预测出的结果与实际结果之间的误差值均在±0.3％之内，其准确度是非常高的。本方案中，只要平均绝对值误差(err)在0.90％以内，即可认为其小于预设电芯一致性参数阈值，说明模型训练结果是可用的。

进一步地，以上方案中的电池状态监控方法，通过如下方式确定在充电过程中所述电池是否为安全状态：

根据如下方式获取电池的实时电芯一致性参数：其中，vgap_1为所述实时电芯极差，vgap_0为预设电芯极差阈值；若r_v＞r_v_0，则判定所述电池为不安全状态，r_v_0为预设电芯一致性参数阈值。

本步骤中将待预测车辆的电池运行数据输入训练好的状态监控模型中，使用模型来预测电池的电芯一致性的状态，从而监测电池的安全状态。可以使用样本c(即一周前的数据)作为输入样本，来计算当前车辆电池的电压极差，之后计算电池的电芯一致性参数，若r_v大于r_v_0，表明车辆充电行为良好，无安全风险；若r_v小于或等于r_v_0，则报告为车辆存在安全风险，需要发送安全警告或后期重点监控。本例中r_v_0取值为0.9、r_v的计算结果为0.98，因此，结论是：本例中电动车辆的电池处于安全状态。

本实施例提供的上述方案地提出了一种利用机器学习线性回归模型，使用电池的历史运行数据对模型进行训练和优化，利用训练后的模型能够准确的预测电池安全状态，从而达到监测电池安全状态的目的。从而对车辆管理平台实现对车辆的安全状态监督，降低电动车辆事故发生率，保障司乘安全的目的。

实施例2

本实施例还提供一种计算机可读存储介质，所述存储介质中存储有程序指令，计算机读取所述程序指令后执行实施例1中任意方案所述的电池状态监控方法。

实施例4

图5是本实施例提供的电池充电过程状态监控系统的硬件结构示意图，该设备包括：一个或多个处理器501以及存储器502，图5中以一个处理器501为例。执行电池状态监控方法的设备还可以包括：输入装置503和输出装置504。处理器501、存储器502、输入装置503和输出装置504可以通过总线或者其他方式连接，图5中以通过总线连接为例。

存储器502作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。处理器501通过运行存储在存储器502中的非易失性软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例的电池状态监控方法。

上述产品可执行本申请实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本申请实施例所提供的方法。

最后应说明的是：以上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精神和范围。