电芯异常自放电的识别方法、装置、电子设备及介质
文献发布时间:2023-06-19 19:37:02
技术领域
本申请电池技术领域,尤其涉及一种电芯异常自放电的识别方法、装置、电子设备及介质。
背景技术
电池包作为一种绿色能源,被广泛应用于各行业,如电动汽车的动力源、或应用于储能集装箱中。
电池包中包括多个串联的电芯,实际应用中,个别电芯会出现异常自放电,这样会导致电芯之间的电压差较大,进而使得电池包的使用寿命及效率较低。
因而,提供一种能够识别出异常自放电电芯的方法是必要的。
发明内容
本申请提供一种电芯异常自放电的识别方法、装置、电子设备及介质,旨在能够识别出异常自放电的电芯,以提高电池包的使用寿命及效率。
第一方面,本申请提供一种电芯异常自放电的识别方法,包括:针对电池包内的每个电芯,获取所述电芯在第一时间段的各区间内的特征值;所述电芯在所述第一时间段处于静置状态,所述特征值表征所述电芯在所述区间内的电压;针对每个区间,依据所述电芯的特征值确定所述电芯的特征点,通过对各电芯的特征点进行聚类,获得每个区间下的离群点;依据所述各区间下的离群点,获取每个电芯的离群点的个数,并依据所述电芯的离群点的个数,确定异常离群电芯;基于所述异常离群电芯在第一时间段内电压的第一变化率及所述电池包内除所述异常离群电芯外的非异常离群电芯的电压与所述异常离群电芯的电压的电压差在所述第一时间段内的第二变化率,从所述异常离群电芯中确定异常自放电电芯。
可选的,基于所述异常离群电芯在第一时间段内电压的第一变化率及所述电池包内除所述异常离群电芯外的非异常离群电芯的电压与所述异常离群电芯的电压的压差在所述第一时间段内的第二变化率,从所述异常离群电芯中确定异常自放电电芯,包括:针对每个异常离群电芯,获取所述异常离群电芯对应的第一变化率;若所述第一变化率小于第一阈值,则获取所述异常离群电芯对应的第二变化率,并检测所述异常离群电芯对应的第二变化率是否为正值;若所述异常离群电芯对应的第二变化率为正值,则判定所述异常离群电芯为异常自放电电芯。
可选的,所述获取所述异常离群电芯的第一变化率,包括:针对每个异常离群电芯,获取所述异常离群电芯在每个区间内的电压;将所述异常离群电芯在各区间内的电压进行直线拟合,并将所述拟合后的直线的斜率作为所述异常离群对应的第一变化率。
可选的,所述获取所述异常离群电芯对应的第二变化率,包括:针对每个异常离群电芯,将所述非异常离群电芯在每个区间内的电压与所述异常离群电芯在对应区间内的电压相减,获得所述异常离群电芯在每个区间下的第一压差;将所述异常离群电芯的在各区间下的第一差值进行直线拟合,并将所述拟合后的直线的斜率作为所述异常离群电芯对应的第二变化率。
可选的,所述针对电池包内的每个电芯,获取所述电芯在第一时间段的各区间内的特征值,包括:针对每个电芯,获取所述电芯在每个区间内的电压的四分位数;将所述每个区间内的电压的四分位数中任意的两个分位数下的电压,作为所述电芯在每个区间下的特征值;所述每个电芯在各区间下的特征值为相同分位数下的电压。
可选的,所述依据所述电芯的离群点的个数,确定异常离群电芯,包括:将所述电芯的离群点的个数与所述电芯的特征点的个数相除,获得第一结果;若所述第一结果超过第二阈值,则将所述第一结果对应的电芯作为所述异常离群电芯。
可选的,所述针对电池包内的每个电芯,获取所述电芯在第一时间段的各区间内的特征值,还包括:获取电池包的运行数据;基于所述电池包的运行数据,获取持续静置状态的时间不低于所述第一时间段的电池包;针对所述持续静置状态的时间不低于所述第一时间段的电池包内的每个电芯,获取所述电芯在第一时间段的各区间内的特征值。
可选的,所述通过对各电芯的特征点进行聚类,获得每个区间下的离群点,包括:基于密度聚类算法,将各电芯的特征点进行聚类,获得每个区间下的离群点。
第二方面,本申请提供一种电芯异常自放电的识别装置,包括:第一获取模块,用于针对电池包内的每个电芯,获取所述电芯在第一时间段的各区间内的特征值;所述电芯在所述第一时间段处于静置状态,所述特征值表征所述电芯在所述区间内的电压第二获取模块,用于针对每个区间,依据所述电芯的特征值确定所述电芯的特征点,通过对各电芯的特征点进行聚类,获得每个区间下的离群点;第一识别模块,用于依据所述各区间下的离群点,获取每个电芯的离群点的个数,并依据所述电芯的离群点的个数,确定异常离群电芯;第二识别模块,用于基于所述异常离群电芯在第一时间段内电压的第一变化率及所述电池包内除所述异常离群电芯外的非异常离群电芯的电压与所述异常离群电芯的电压的电压差在所述第一时间段内的第二变化率,从所述异常离群电芯中确定异常自放电电芯。
可选的,所述第二识别模块,具体用于针对每个异常离群电芯,获取所述异常离群电芯对应的第一变化率;若所述第一变化率小于第一阈值,则获取所述异常离群电芯对应的第二变化率,并检测所述异常离群电芯对应的第二变化率是否为正值;所述第二识别模块,具体还用于若所述异常离群电芯对应的第二变化率为正值,则判定所述异常离群电芯为异常自放电电芯。
可选的,所述第二识别模块,具体用于针对每个异常离群电芯,获取所述异常离群电芯在每个区间内的电压;所述第二识别模块,具体还用于将所述异常离群电芯在各区间内的电压进行直线拟合,并将所述拟合后的直线的斜率作为所述异常离群对应的第一变化率。
可选的,所述获取所述异常离群电芯对应的第二变化率,包括:所述第二识别模块,具体用于针对每个异常离群电芯,将所述非异常离群电芯在每个区间内的电压与所述异常离群电芯在对应区间内的电压相减,获得所述异常离群电芯在每个区间下的第一压差;所述第二识别模块,具体还用于将所述异常离群电芯的在各区间下的第一差值进行直线拟合,并将所述拟合后的直线的斜率作为所述异常离群电芯对应的第二变化率。
可选的,所述第一获取模块,具体用于针对每个电芯,获取所述电芯在每个区间内的电压的四分位数;所述第一获取模块,具体还用于将所述每个区间内的电压的四分位数中任意的两个分位数下的电压,作为所述电芯在每个区间下的特征值;所述每个电芯在各区间下的特征值为相同分位数下的电压。
可选的,所述第一识别模块,具体用于将所述电芯的离群点的个数与所述电芯的特征点的个数相除,获得第一结果;所述第一识别模块,具体还用于若所述第一结果超过第二阈值,则将所述第一结果对应的电芯作为所述异常离群电芯。
可选的,所述第二获取模块,具体用于基于密度聚类算法,将各电芯的特征点进行聚类,获得每个区间下的离群点。
可选的,所述第一获取模块,具体用于针对每个电芯,获取所述电芯在每个区间内的电压的四分位数;所述第一获取模块,具体还用于将所述每个区间内的电压的四分位数中任意的两个分位数下的电压,作为所述电芯在每个区间下的特征值;所述每个电芯在各区间下的特征值为相同分位数下的电压。
可选的,所述第一识别模块,具体用于将所述电芯的离群点的个数与所述电芯的特征点的个数相除,获得第一结果;所述第一识别模块,具体还用于若所述第一结果超过第二阈值,则将所述第一结果对应的电芯作为所述异常离群电芯。
可选的,所述第一获取模块,具体用于获取电池包的运行数据;所述第一获取模块,具体还用于基于所述电池包的运行数据,获取持续静置状态的时间不低于所述第一时间段的电池包;所述第一获取模块,具体用于针对所述持续静置状态的时间不低于所述第一时间段的电池包内的每个电芯,获取所述电芯在第一时间段的各区间内的特征值。
可选的,第二获取模块,具体用于基于密度聚类算法,将各电芯的特征点进行聚类,获得每个区间下的离群点。
第三方面,本申请提供一种电子设备,包括:处理器,以及与所述处理器通信连接的存储器;所述存储器存储计算机执行指令;所述处理器执行所述存储器存储的计算机执行指令,以实现如前所述的方法。
第四方面,本申请提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如前所述的方法。
本申请提供的电芯异常自放电的识别方法、装置、电子设备及介质中,针对电池包内的每个电芯,获取电芯在第一时间段的各区间内的特征值,并针对每个区间,依据电芯的特征值确定该电芯的特征点,通过对各电芯的特征点进行聚类,获得每个区间下的离群点;然后依据电芯的离群点的个数,确定异常离群电芯,通过异常离群电芯电压对应的第一变化率及第二变化率,从异常离群电芯中确定异常自放电电芯。本方案中通过聚类算法确定电池包中异常离群电芯,再通过异常离群电芯对应的第一变化率及第二变化率,对异常离群电芯做进一步判断,以避免一些干扰因素带来的影响,从而准确快速的识别出异常自放电电芯。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请实施例的实施例,并与说明书一起用于解释本申请实施例的原理。
通过上述附图,已示出本申请实施例明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请实施例构思的范围,而是通过参考特定实施例为本领域技术人员说明本申请实施例的概念。
图1为一示例电动汽车的结构示意图;
图2为本申请实施例一提供的一种电芯异常自放电的识别方法的流程示意图;
图3为本申请实施例一提供的另一种电芯异常自放电的识别方法的流程示意图;
图4为一示例中异常离群电芯在各区间内的电压变化示意图;
图5为本申请实施例二提供的一种电芯异常自放电的识别装置的结构示意图;
图6为本申请实施例三提供的电子设备的结构示意图。
通过上述附图,已示出本申请明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围,而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
图1为一示例电动汽车的结构示意图,如图1所示,电动汽车包括电池包12及动力设备11,每个电池包12中包括多个电芯121,电芯121通过市电13进行充电,并存储电量,电动汽车未启动时,电池包12处于静置状态;电动汽车启动时,电池包12放电动力设备11提供电力。
继续参照图1,电池包12中的多个电芯121串联设置,一些情况下,个别电芯1会出现异常自放电,即电芯放出大量的电量,这样则会导致电芯之间的电压差较大,实际应用中,电池包的充电策略为充电时,检测有电芯达至上限,就停止充电;放电时,检测到有电芯达到下限电压就停止放电,因而较大的电压差使得电池包的使用寿命及效率较低。因而,提供一种能够识别出异常自放电电芯的方法是必要的。
下面以具体的实施例对本申请的技术方案以及本申请的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。在本申请的描述中,除非另有明确的规定和限定,各术语应在本领域内做广义理解。下面将结合附图,对本申请的实施例进行描述。
实施例一
图2为本申请实施例一提供的一种电芯异常自放电的识别方法的流程示意图,如图2所示,本实施例提供的方法,包括:
S201、针对电池包内的每个电芯,获取所述电芯在第一时间段的各区间内的特征5值;
S202、针对每个区间,依据所述电芯的特征值确定所述电芯的特征点,通过对各
电芯的特征点进行聚类,获得每个区间下的离群点;
S203、依据所述各区间下的离群点,获取每个电芯的离群点的个数,并依据所述
电芯的离群点的个数,确定异常离群电芯;
0S204、基于所述异常离群电芯在第一时间段内电压的第一变化率及所述电池包内
除所述异常离群电芯外的非异常离群电芯的电压与所述异常离群电芯的电压的电压差在所述第一时间段内的第二变化率,从所述异常离群电芯中确定异常自放电电芯。实际应用中,本实施例的执行主体可以为电芯异常自放电的识别装置,该识别装置可
以为驱动程序、程序软件,也可以为存储有相关计算机程序的介质,例如,U盘等;或者,5该识别装置还可以为集成或安装有相关计算机程序的实体装置,例如,芯片、智能终端、电脑等。
结合实际场景举例来说:实际应用中,电池包中的电芯有三种状态:充电状态、静置状态及放置状态,且这些电芯的状态是一致的。正常情况下,电芯也会发生自放
电,但这些自放电是微量的,且相同时间内各电芯放出的电量是相近的,不会产生过0高的电压差。本实施例提供的方法主要是识别出异常自放电的电芯,由于充电和放电
状态下,电芯的电压是不稳定的,因而本实施例中选择在电芯处于静置状态时,识别电池包的异常自放电电芯。在确定电芯的状态时,可以获取电池包的运行数据,基于电池包的运行数据,获取持续静置状态的时间不低于所述第一时间段的电池包,对该电池包进行识别。
5步骤S201中,获取每个电芯在第一时间段的各区间内的特征值,其中电芯在第
一时间段处于静置状态,即在静置状态下进行识别。实际应用中,为能够准确的识别出异常自放电电芯,需要第一时间段设定相对较长,例如,第一时长可以设定超过2小时。第一时间段内划分为多个区间,例如第一时间段为120分钟,每10分钟划分
为一个区间,则共有12个区间。特征值表征电芯在区间内的电压,实际应用中,特0征值可以是每个区间内的平均电压,也可以是区间内某个分位数下的电压。作为一种实施方式,S201中可以包括:
针对每个电芯,获取所述电芯在每个区间内的电压的四分位数;
将所述每个区间内的电压的四分位数中任意的两个分位数下的电压,作为所述电芯在对应区间下的特征值;所述每个电芯在各区间下的特征值为相同分位数下的电压。
结合场景进行示例,实际应用中,电池包一般受电池管理系统(batterymanagement system,简称BMS)进行管理,BMS以固定的频率获取电池包内各电芯电压,例如1分钟获取一次。本实施例的执行主体可以获取BMS获取的电压,以作为各区间内的电压,但为提高后续的计算效率,可以对BMS获取的电压进行降频,如2分钟获取一次。也就是说,10分钟的一个区间内获取5次各电芯的电压。针对每个电芯在每个区间内则有对应的5个不同时间点的电压,获取这些电压的四分位数,如(V1、V2、V3、V4、V5),其中第一分位数Q1为V2,第二分位数Q2为V3,第三分位数Q3为V4,从Q1、Q2、Q3中任意选择两个分位数下的电压,作为特征值,如将Q3、Q4下的电压V3、V4作为特征值。其他各电芯在各区间中选取相同分位数下的电压作为特征值,即也都选取Q3、Q4下电压,作为特征值。
步骤S202中,依据特征值确定特征点。举例来说,可以以上述获取的特征值为坐标(V3,V4),确定特征点。每个电芯在每个区间中对应一个特征点。然后通过对各电芯的特征点进行聚类,获得每个区间下的离群点。也就是说,针对每个节点,都需要对各电芯的特征点进行聚类,而由于特征点是由表征区间内电压的特征值确定的,因而离群点对应的电芯可以理解为在该区间内,与其他电芯的电压差距较大的电芯。当然这个差距可能是由于电芯异常自放电造成的,也有可能是检测或获取误差造成的。可以理解,本实施例中,通过对每个节点下的电芯的特征点进行聚类,获得异常离群电芯,后续只需要对每个异常离群电芯进行进一步的识别即可,这样避免了对每一个电芯进行识别,因而本实施例能够提高电池包中异常自放电电芯的识别速度。
实际应用中,可以采用密度聚类算法(Density-Based Spatial Clustering ofApplications with Noise,简称DBSCAN)进行聚类,其中DBSCAN算法是一种基于密度的空间聚类算法。该算法将具有足够密度的区域划分为簇,并可以在具有噪声的空间数据库中发现形状任意的簇。DBSCAN算法可以自动决定类别的数量,不需要人为定义,且可以识别噪声点,抗噪声能力较强,因而通过DBSCAN进行聚类能够准确的识别出离群点,也即噪声点。
步骤S203中,获取每个电芯的离群点的个数,以依据离群点的个数确定异常离群电芯。可以理解,异常离群电芯为异常放电可能性比较大的电芯。实际应用中,通常采用更换及废除的方式对异常自放电的电芯进行处理,因而为提高识别的准确性,还需要对异常离群电芯做进一步的判断,以避免电芯的损耗。
步骤S204中,第一变化率表征异常离群电芯在第一时间段内电压的变化;第二5变化率表征第一时间段内非异常离群电芯的电压与异常离群电芯的电压的差值的变
化。可以理解,第一变化率越小于零,则说明该电芯在第一时间段向外放出的电量越大;而异常离群电芯的第二变化率则可以说明该异常离群电芯与其他非异常离群电芯电压变化差距,第二变化率越大,则说明该异常离群电芯与其他非异常离群电芯的电
压差距越大。本方案中通过第一变化率及第二变化率,对异常离群电芯做进一步确定,0以准确的识别出异常自放电电芯。
为进一步提高异常自放电电芯识别的准确性,图3为本申请实施例一提供的另一种电芯异常自放电的识别方法的流程示意图,如图3所示,在上述实施例的基础上,S204包括:
S2041、针对每个异常离群电芯,获取所述异常离群电芯对应的第一变化率;5S2042、若所述第一变化率小于第一阈值,则获取所述异常离群电芯对应的第二
变化率,并检测所述异常离群电芯对应的第二变化率是否为正值;
S2043、若所述异常离群电芯对应的第二变化率为正值,则判定所述异常离群电芯为异常自放电电芯。
本示例中,电芯在静置状态下,电芯的电压仅会保持不变或逐渐减小,而不会增0大,因而第一变化率不大于零,所以第一阈值也设定为不大于零的值。第一阈值可以
根据电芯的特性进行设定,可以理解,第一阈值设定的越小则需要进行进一步筛选的异常离群电芯则越少,因而识别效率更高;第一阈值设定的越大,则需要进行进一步筛选的异常离群电芯则越多,但遗漏异常自放电电芯的概率较小。例如第一阈值可以取零,或其他预定的值。
5结合实际场景举例,实际应用中,异常离群电芯的第一变化率超过第一阈值时,
则说明该异常离群电芯存在相对大量放电的现象,但造成这种情况的原因很多,一种可能是该电芯异常放电导致的,另一种可能是第一阈值设定过大(即趋近于零),筛选出了正常放电的电芯;当然还有一种可能是电池包中的所有电芯,正在执行某种放
电处理,统一处于大幅度放电状态。而对于后两种原因,虽然电芯存在放电现象,但0电池包内的电芯的电压处于一致状态,因而这两个情况属于电池包的正常状态。而第一种原因才是我们需要识别的。因为在异常离群电芯的第一变化率小于第一阈值时,通过检测异常离群电芯对应的第二变化率是否为正值,来进一步判断该异常离群电芯的电压与非异常离群电芯电压的变化是否一致,可以理解,若第二变化率为正值,则表明非异常离群电芯电压与该异常离群电芯的电压的差值在逐渐增大,则二者电压的变化不一致,也就是说该异常离群电芯为异常自放电电芯。这样也则排除上述的前两种情况导致的异常离群电芯的放电现象,进而准确的识别出异常自放电电芯。
本示例中,通过检测第一变化率大于第一阈值的异常离群电芯对应的第二变化率是否为正值,来确定异常离群电芯中的异常自放电电芯,本方案排除了其他因素的干扰,进而能够准确的识别出异常自放电电芯。
实际应用中,获取第一变化率及第二变化率的准确性影响异常自放电电芯识别的准确性。为此一个示例中,S2041中获取所述异常离群电芯的第一变化率,包括:
针对每个异常离群电芯,获取所述异常离群电芯在每个区间内的电压;
将所述异常离群电芯在各区间内的电压进行直线拟合,并将所述拟合后的直线的斜率作为第一变化率。
本示例中,获取异常离群电芯在每个区间内的电压,这个电压可以是该电芯在每个区间内的平均电压,也可以是某一分位数下的电压,但所有的异常离群电芯在每个区间内选取的电压的方式是相同的,即都选择平均电压,或都选择25%分位数电压。
以选择平均电压例,再结合上述示例,获取到一区间内的电压依次为V1、V2、V3、V4、V5,则平均电压V=(V1+V2+V3+V4+V5)/5,以此获取每一个区间的平均电压。图4为一示例中异常离群电芯在各区间内的电压变化示意图,如图4所示,其中从0-t9为第一时间段,则t1、t2、...、t9将第一时间段划分为10个区间,如0-t1,对该离群电压在每个区间内的平均电压进行直线拟合,拟合后的该直线的斜率则为第一变化率。
本示例中,通过将多个区间内的电压进行直线拟合,并将拟合后直线的斜率作为第一变化率,本示例以多个区间的电压基准获取第一变化率,能够避免个别电压不准确带来的影响,进而能够提高第一变化率的准确性。
又一示例中,S2041中获取所述异常离群电芯对应的第二变化率,包括:
针对每个异常离群电芯,将所述非异常离群电芯在每个区间内的电压与所述异常离群电芯在对应区间内的电压相减,获得所述异常离群电芯在每个区间下的第一压差;
将所述异常离群电芯的在各区间下的第一差值进行直线拟合,并将所述拟合后的直线的斜率作为第二变化率。
本示例对第二变化率的获取方法做示例性的介绍。其中,本示例中非异常离群电芯在每个区间内的电压,可以为所有非异常离群电芯在每个区间内的电压平均值。举例而言,获取每个非异常离群电芯在区间内的电压,获取方式与上述示例中异常离群电芯在各区间内的电压获取方式相同,不再赘述。然后将电池包内所有非异常离群电芯在区间内的电压平均值作为非异常离群电芯在该区间内的电压。当然非异常离群电芯在每个区间内的电压也可以随机选取一个非异常离群电芯在区间内的电压。
结合场景进行示例,获取非异常离群电芯在各区间内的电压,以其中一个区间为例,非异常离群电芯在该区间的电压为U1,异常离群电芯在该区间的电压为U2,则第一压差ΔU=U1-U2,将各区间下的ΔU进行直线拟合,将拟合后的直线的斜率作为该异常离群电芯对应的第二变化率。
本示例中,通过将多个区间内的电压进行直线拟合,并将拟合后直线的斜率作为第一变化率,本示例以多个区间的电压基准获取第二变化率,能够避免个别电压不准确带来的影响,进而能够提高第二变化率的准确性。
为进一步提高异常自放电电芯识别的准确性,一个示例中,所述依据所述电芯的离群点的个数,确定异常离群电芯,包括:
将所述电芯的离群点的个数与所述电芯的特征点的个数相除,获得第一结果;
若所述第一结果超过第二阈值,则将所述第一结果对应的电芯作为所述异常离群电芯。
实际应用中,每个电芯在各个区间内对应一个特征点,因而电芯的特征点个数与第一时间段内区间的个数相同。第二阈值为依据实际需求设定的值。在上述获取电芯的离群点的个数后,通过将电芯的离群点的个数与该电芯的特征点个数相除,若获取的第一结果大于第二阈值,则说明该电芯与其他电芯相比电压在第一时间段内电压的波动范围较大,因而将该电芯作为异常离群电芯。异常离群电芯确定的准确性影响着后续识别异常自放电电芯的准确性及速率。本示例中通过将电芯的离群点的个数与该电芯的特征点个数相除的第一结果与第二阈值进行比较,确定异常离群电芯,这样考虑第一时间段的时长及区间的划分对确定结果带来的影响,因而本示例能够进一步提高异常自放电电芯识别的准确性。
本实施例提供的电芯异常自放电的识别方法中,针对电池包内的每个电芯,获取电芯在第一时间段的各区间内的特征值,并针对每个区间,依据电芯的特征值确定该电芯的特征点,通过对各电芯的特征点进行聚类,获得每个区间下的离群点;然后依据电芯的离群点的个数,确定异常离群电芯,通过异常离群电芯电压对应的第一变化率及第二变化率,从异常离群电芯中确定异常自放电电芯。本方案中通过聚类算法确定电池包中异常离群电芯,再通过异常离群电芯对应的第一变化率及第二变化率,对异常离群电芯做进一步判断,以避免一些干扰因素带来的影响,从而准确快速的识别出异常自放电电芯。
实施例二
图5为本申请实施例二提供的一种电芯异常自放电的识别装置的结构示意图,如图5所示,本实施例提供的识别装置,包括:
第一获取模块51,用于针对电池包内的每个电芯,获取所述电芯在第一时间段的各区间内的特征值;所述电芯在所述第一时间段处于静置状态,所述特征值表征所述电芯在所述区间内的电压;
第二获取模块52,用于针对每个区间,依据所述电芯的特征值确定所述电芯的特征点,通过对各电芯的特征点进行聚类,获得每个区间下的离群点;
第一识别模块53,用于依据所述各区间下的离群点,获取每个电芯的离群点的个数,并依据所述电芯的离群点的个数,确定异常离群电芯;
第二识别模块54,用于基于所述异常离群电芯在第一时间段内电压的第一变化率及所述电池包内除所述异常离群电芯外的非异常离群电芯的电压与所述异常离群电芯的电压的电压差在所述第一时间段内的第二变化率,从所述异常离群电芯中确定异常自放电电芯。
实际应用中,本实施例的提供的电芯异常自放电的识别装置,可以为驱动程序、程序软件,也可以为存储有相关计算机程序的介质,例如,U盘等;或者,该识别装置还可以为集成或安装有相关计算机程序的实体装置,例如,芯片、智能终端、电脑等。
结合实际场景举例来说:实际应用中,电池包中的电芯有三种状态:充电状态、静置状态及放置状态,且这些电芯的状态是一致的。正常情况下,电芯也会发生自放电,但这些自放电是微量的,且相同时间内各电芯放出的电量是相近的,不会产生过高的电压差。本实施例提供的方法主要是识别出异常自放电的电芯,由于充电和放电状态下,电芯的电压是不稳定的,因而本实施例中选择在电芯处于静置状态时,识别电池包的异常自放电电芯。在确定电芯的状态时,可以获取电池包的运行数据,基于电池包的运行数据,获取持续静置状态的时间不低于所述第一时间段的电池包,对该电池包进行识别。
第一获取模块51获取每个电芯在第一时间段的各区间内的特征值,其中电芯在第一时间段处于静置状态,即在静置状态下进行识别。作为一种实施方式,
第一获取模块51,具体用于针对每个电芯,获取所述电芯在每个区间内的电压的四分位数;
第一获取模块51,具体还用于将所述每个区间内的电压的四分位数中任意的两个分位数下的电压,作为所述电芯在每个区间下的特征值;所述每个电芯在各区间下的特征值为相同分位数下的电压。
第二获取模块52依据特征值确定特征点。每个电芯在每个区间中对应一个特征点。然后通过对各电芯的特征点进行聚类,获得每个区间下的离群点。也就是说,针对每个节点,都需要对各电芯的特征点进行聚类,而由于特征点是由表征区间内电压的特征值确定的,因而离群点对应的电芯可以理解为在该区间内,与其他电芯的电压差距较大的电芯。当然这个差距可能是由于电芯异常自放电造成的,也有可能是检测或获取误差造成的。
实际应用中,第二获取模块52,具体用于基于密度聚类算法(Density-BasedSpatial Clustering of Applications with Noise,简称DBSCAN),将各电芯的特征点进行聚类,获得每个区间下的离群点。其中DBSCAN算法是一种基于密度的空间聚类算法。该算法将具有足够密度的区域划分为簇,并可以在具有噪声的空间数据库中发现形状任意的簇。DBSCAN算法可以自动决定类别的数量,不需要人为定义,且可以识别噪声点,抗噪声能力较强,因而通过DBSCAN进行聚类能够准确的识别出离群点,也即噪声点。
第一识别模块53获取每个电芯的离群点的个数,以依据离群点的个数确定异常离群电芯。可以理解,异常离群电芯为异常放电可能性比较大的电芯。实际应用中,通常采用更换及废除的方式对异常自放电的电芯进行处理,因而为提高识别的准确性,还需要对异常离群电芯做进一步的判断,以避免电芯的损耗。
第一变化率表征异常离群电芯在第一时间段内电压的变化;第二变化率表征第一时间段内非异常离群电芯的电压与异常离群电芯的电压的差值的变化。可以理解,第一变化率越小于零,则说明该电芯在第一时间段向外放出的电量越大;而异常离群电芯的第二变化率则可以说明该异常离群电芯与其他非异常离群电芯电压变化差距,第二变化率越大,则说明该异常离群电芯与其他非异常离群电芯的电压差距越大。本方案中第二识别模块54通过第一变化率及第二变化率,对异常离群电芯做进一步确定,以准确的识别出异常自放电电芯。
为进一步提高异常自放电电芯识别的准确性,在上述实施例的基础上,一个示例中,
第二识别模块54,具体用于针对每个异常离群电芯,获取所述异常离群电芯对应的第一变化率;若所述第一变化率小于第一阈值,则获取所述异常离群电芯对应的第二变化率,并检测所述异常离群电芯对应的第二变化率是否为正值;
第二识别模块54,具体还用于若所述异常离群电芯对应的第二变化率为正值,则判定所述异常离群电芯为异常自放电电芯。
本示例中,电芯在静置状态下,电芯的电压仅会保持不变或逐渐减小,而不会增大,因而第一变化率不大于零,所以第一阈值也设定为不大于零的值。第一阈值可以根据电芯的特性进行设定,可以理解,第一阈值设定的越小则需要进行进一步筛选的异常离群电芯则越少,因而识别效率更高;第一阈值设定的越大,则需要进行进一步筛选的异常离群电芯则越多,但遗漏异常自放电电芯的概率较小。例如第一阈值可以取零,或其他预定的值。
结合实际场景举例,实际应用中,异常离群电芯的第一变化率超过第一阈值时,则说明该异常离群电芯存在相对大量放电的现象,但造成这种情况的原因很多,一种可能是该电芯异常放电导致的,另一种可能是第一阈值设定过小,筛选出了正常放电的电芯;当然还有一种可能是电池包中的所有电芯,正在执行某种放电处理,统一处于大幅度放电状态。而对于后两种原因,虽然电芯存在放电现象,但电池包内的电芯的电压处于一致状态,因而这两个情况属于电池包的正常状态。而第一种原因才是我们需要识别的。因为在异常离群电芯的第一变化率超过第一阈值时,通过检测异常离群电芯对应的第二变化率是否为正值,来进一步判断该异常离群电芯的电压与非异常离群电芯电压的变化是否一致,可以理解,若第二变化率为正值,则表明非异常离群电芯电压与该异常离群电芯的电压的差值在逐渐增大,则二者电压的变化不一致,也就是说该异常离群电芯为异常自放电电芯。这样也则排除上述的前两种情况导致的异常离群电芯的放电现象,进而准确的识别出异常自放电电芯。
本示例中,第二识别模块通过检测第一变化率大于第一阈值的异常离群电芯对应的第二变化率是否为正值,来确定异常离群电芯中的异常自放电电芯,本方案排除了其他因素的干扰,进而能够准确的识别出异常自放电电芯。
实际应用中,获取第一变化率及第二变化率的准确性影响异常自放电电芯识别的准确性。为此一个示例中,
第二识别模块54,具体用于针对每个异常离群电芯,获取所述异常离群电芯在每个区间内的电压;
第二识别模块54,具体还用于将所述异常离群电芯在各区间内的电压进行直线拟合,并将所述拟合后的直线的斜率作为所述异常离群对应的第一变化率。
本示例中,第二识别模块54获取异常离群电芯在每个区间内的电压,这个电压可以是该电芯在每个区间内的平均电压,也可以是某一分位数下的电压,但所有的异常离群电芯在每个区间内选取的电压的方式是相同的,即都选择平均电压,或都选择25%分位数电压。
本示例中,第二识别模块通过将多个区间内的电压进行直线拟合,并将拟合后直线的斜率作为第一变化率,本示例以多个区间的电压基准获取第一变化率,能够避免个别电压不准确带来的影响,进而能够提高第一变化率的准确性。
又一示例中,第二识别模块54,具体用于针对每个异常离群电芯,将所述非异常离群电芯在每个区间内的电压与所述异常离群电芯在对应区间内的电压相减,获得所述异常离群电芯在每个区间下的第一压差;
第二识别模块54,具体还用于将所述异常离群电芯的在各区间下的第一差值进行直线拟合,并将所述拟合后的直线的斜率作为所述异常离群电芯对应的第二变化率。
本示例对第二变化率的获取方法做示例性的介绍。其中,本示例中非异常离群电芯在每个区间内的电压,可以为所有非异常离群电芯在每个区间内的电压平均值。举例而言,获取每个非异常离群电芯在区间内的电压,获取方式与上述示例中异常离群电芯在各区间内的电压获取方式相同,不再赘述。然后将电池包内所有非异常离群电芯在区间内的电压平均值作为非异常离群电芯在该区间内的电压。当然非异常离群电芯在每个区间内的电压也可以随机选取一个非异常离群电芯在区间内的电压。
本示例中,通过将多个区间内的电压进行直线拟合,并将拟合后直线的斜率作为第一变化率,本示例以多个区间的电压基准获取第二变化率,能够避免个别电压不准确带来的影响,进而能够提高第二变化率的准确性。
为进一步提高异常自放电电芯识别的准确性,一个示例中,
第一识别模块53,具体用于将所述电芯的离群点的个数与所述电芯的特征点的个数相除,获得第一结果;
第一识别模块53,具体还用于若所述第一结果超过第二阈值,则将所述第一结果对应的电芯作为所述异常离群电芯。
实际应用中,每个电芯在各个区间内对应一个特征点,因而电芯的特征点个数与第一时间段内区间的个数相同。第二阈值为依据实际需求设定的值。在上述获取电芯的离群点的个数后,通过将电芯的离群点的个数与该电芯的特征点个数相除,若获取的第一结果大于第二阈值,则说明该电芯与其他电芯相比电压在第一时间段内电压的波动范围较大,因而将该电芯作为异常离群电芯。异常离群电芯确定的准确性影响着后续识别异常自放电电芯的准确性及速率。
本示例中通过将电芯的离群点的个数与该电芯的特征点个数相除的第一结果与第二阈值进行比较,确定异常离群电芯,这样考虑第一时间段的时长及区间的划分对确定结果带来的影响,因而本示例能够进一步提高异常自放电电芯识别的准确性。
本实施例提供的电芯异常自放电的识别装置中,第一获取模块针对电池包内的每个电芯,获取电芯在第一时间段的各区间内的特征值,第二获取模块针对每个区间,依据电芯的特征值确定该电芯的特征点,通过对各电芯的特征点进行聚类,获得每个区间下的离群点;第一识别模块然后依据电芯的离群点的个数,确定异常离群电芯,第二识别模块通过异常离群电芯电压对应的第一变化率及第二变化率,从异常离群电芯中确定异常自放电电芯。本方案中通过聚类算法确定电池包中异常离群电芯,再通过异常离群电芯对应的第一变化率及第二变化率,对异常离群电芯做进一步判断,以避免一些干扰因素带来的影响,从而准确快速的识别出异常自放电电芯。
实施例三
图6为本申请实施例三提供的电子设备的结构示意图,如图6所示,该电子设备包括:
处理器(processor)291,电子设备还包括了存储器(memory)292;还可以包括通信接口(Communication Interface)293和总线294。其中,处理器291、存储器292、通信接口293、可以通过总线294完成相互间的通信。通信接口293可以用于信息传输。处理器291可以调用存储器292中的逻辑指令,以执行上述实施例的方法。
此外,上述的存储器292中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。
存储器292作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序,如本申请实施例中的方法对应的程序指令/模块。处理器291通过运行存储在存储器292中的软件程序、指令以及模块,从而执行功能应用以及数据处理,即实现上述方法实施例中的方法。
存储器292可包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端设备的使用所创建的数据等。此外,存储器292可以包括高速随机存取存储器,还可以包括非易失性存储器。
本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现任一实施例中所述的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由权利要求书指出。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。
- 异常用户的识别方法及装置、存储介质、电子设备
- 一种漆面识别方法、装置、存储介质及电子设备
- 欺诈行为识别方法、装置、电子设备及可读存储介质
- 面部识别方法、装置、电子设备及计算机可读介质
- 命名实体识别方法、装置、电子设备、机器可读存储介质
- 自放电异常电芯的判断方法、判断装置及电子设备
- 异常单体电芯识别方法、装置、电子设备和存储介质