[发明专利]一种基于车联网大数据平台的单体电池一致性检测算法

说明书

本发明公开了一种基于车联网大数据平台的单体电池一致性检测算法，包括如下步骤：S1、接收数据并预处理；S2、利用已训练的隐马尔可夫模型判断待检测电压区间段；S3、提取各单体电压序列特征点附近的子序列，计算对应子序列之间的马氏距离；S4、用孤立森林算法对特征子序列构成的特征矩阵做异常检测；S5、分别对最高单体电压序列和最低单体电压序列与平均电压序列做KS检验；S6、计算异常单体电压序列与平均单体电压序列之间的Wasserstein距离；避免依靠检测某单点时刻电压测量值的误差、噪声和时延，可消除单点时刻的噪声和误差，避免全时间序列距离计算中大量相同子序列的干扰，计算量较全时间序列的距离计算和基本的基于暴力搜索的shapelet搜索算法极大的减小。

技术领域

本发明涉及电池检测技术领域，尤其涉及一种基于车联网大数据平台的单体电池一致性检测算法。

背景技术

锂离子电池广泛地应用于新能源汽车和规模储能等领域。随充放电循环过程，不同使用环境、使用时间和使用工况等因素会显著影响电池性能，单体电池间的不一致性会增大，电池组性能将随之衰退，进而降低整体使用寿命。因此，可靠的一致性检测技术，是确保电池组使用过程中保持良好一致性的关键，对提高电池组运行性能与安全性，延长使用寿命，有重要作用。

现有技术中，基于BMS的单体电池一致性检测，因硬件算力条件有限，一般根据最高单体电压和最低单体电压的某一时刻的均值、方差、斜度、差值的阈值等统计指标来判断是否单体压差过大，或采用单一简单聚类算法判别异常，往往仅简单评价各单体电池间在各离散时刻的电压差异，虽可在一定程度上表征各单体电池间的一致性，但容易受到测量时延、噪声、环境温度等干扰因素影响，而且所有电芯数据不是在同一时刻采集并上传的，在上传的同一帧数据中最后一节电芯比第一节电芯所采集的数据晚100ms左右， 得到的数据序列时间轴往往是异步的，很难直接进行比对，导致难以真实刻画电池组内单体电池本征特性，误差较大。现有数据在通过故障聚类进行异常数据辨识时，往往采用距离法直接确定故障数据，然而故障点的聚类距离阈值一般通过经验估计给出，存在很大的偶然性，一旦聚类点集划定得过大或过小，就很容易导致故障预警的误报，缺乏对单体电池一段时间单体电压差异的综合评价指标， 计算得到的一致性评测指标不够全面。一般检测一段时间的整段时间子序列，搜索所有可能的时间子序列来区分异常电芯电压，计算量大且不易发现少数关键点的单体电池差异。

例如，一种在中国专利文献上公开的“一种电池级组一致性的监测方法”，其公告号：CN112068007A，公开了通过检测电池级组的电压降来进行一致性筛选，具有上述缺陷。

发明内容

为此，本发明提供一种基于车联网大数据平台的单体电池一致性检测算法，通过检测车辆放电过程中一段时间片段的单体电压放电序列，避免了依靠检测某单点时刻电压测量值的误差、噪声和时延，可消除单点时刻的噪声和误差等问题， 聚焦易发生异常的子序列区间避免全时间序列距离计算中大量相同子序列的干扰，极大减少了计算量。

为了实现上述目的，本发明提供如下技术方案：

一种基于车联网大数据平台的单体电池一致性检测算法，包括如下步骤：

S1、接收数据并预处理；

S2、利用已训练的隐马尔可夫模型判断待检测电压区间段

S3、提取各单体电压序列特征点附近的子序列，计算对应子序列之间的马氏距离；

S4、用孤立森林算法对特征子序列构成的特征矩阵做异常检测；

S5、分别对最高单体电压序列和最低单体电压序列与平均电压序列做KS检验；

S6、计算异常单体电压序列与平均单体电压序列之间的Wasserstein距离。通过构建无监督shapelet马氏距离的特征矩阵，使用孤立森林算法检测电压变化动态趋势，采用KS检验和wasserstein距离对电芯电压在检测时间窗口内提供综合的评定指标。