(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211004159.1 (22)申请日 2022.08.22 (71)申请人 上海褒科智能科技有限公司 地址 200051 上海市长 宁区天山路6 00弄4 号思创大厦2 9层D座 (72)发明人 廖初航　李斌斌　 (51)Int.Cl. G01R 31/367(2019.01) G01R 31/392(2019.01) G01R 31/396(2019.01) G06N 20/00(2019.01) (54)发明名称 基于充电片段数据和无监督算法的电芯一 致性评估方法 (57)摘要 本发明公开基于充电片段数据的无监督标 致电芯一致性故障检测方法， 包括如下步骤： S1 数据准备及探索： 针对三类电池， 探索分析单体 电芯中最大压差的数据分布情况跟， 并根据三类 电池实际的数据分布进行后续的数据驱动算法 的实践； S2特征工程： 进过数据进行预处理， 通过 特征提取与主成分分析 降维方法筛选有效特征 并进行后续建模， 包括数据预处理、 特征提取、 PCA主成分分析降维； S3模型构建： 采用多种无监 督学习算法， 并针对充放电特征合并建模， 对比 不同算法的有效性。 本发明可有效对 标致电芯一 致性故障进行检测与预测结果的可视化， 并可准 确有效实时地对故障进行预测， 有效避免并实时 监控电芯一致性故障及其所衍生出的其余灾害 的可能性。 权利要求书1页 说明书7页 附图8页 CN 115372828 A 2022.11.22 CN 115372828 A 1.基于充电片段数据的无监督标致电芯一致性故障检测方法， 其特征是， 包括如下步 骤： S1数据准备及探索： 针对三类电池， 探索分析单体电芯中最大压差的数据分布情况跟， 并根据三类电池实际的数据分布进行后续的数据驱动算法的实 践； S2特征工程： 进过数据进行预处理， 通过特征提取与主成分分析降维方法筛选有效特 征并进行后续建模， 包括数据预处 理、 特征提取、 PCA主成分 分析降维； S3 模型构建： 采用多种无监督学习算法， 并针对充放电特征合并建模， 对比不同算法 的有效性， 具体包括如下算法： 基于密度聚类的DBSACAN算法； 基于异常检测 IsolationForest、 Local OutlierFactor， 基于分类的OneClassSVM； 基于距 离+统计学的KNN 算法。 2.根据权利要求1所述的基于充电片段数据的无监督标致电芯一致性故障检测方法， 其特征是： 所述步骤S1数据准备及探索包括S11数据准备： 针对三类电池类型的数据， 记录 1210个电池数据， 分为： R83  PHEV FWD、 P84 PHEV AWD和eP24  BEV三类电池； S12数据探索： 针对三类电池， 考虑单体电芯不一致性故障， 探索分析单体电芯中最大压差的数据分布情 况跟， 并根据三类电池实际的数据分布进行后续的数据驱动算法的实 践。 3.根据权利要求1所述的基于充电片段数据的无监督标致电芯一致性故障检测方法， 其特征是： 所述步骤S2特征工程包括如下三个实现步骤： S21数据预处理： 对单体电芯的充 放电数据进行异常值筛选与剔除， 并提取删除重复值； S22特征提取： 所述特征提取需预先 确定特征提取的数据范围， 额定选取的数据范围为每个电池最近1000公里的数据， 在这部 分数据范围内进 行特征提取， 并选择最近的数据； S23P CA主成分分析降维： 对提取过后的多 维特征进行筛 选， 方便后续进行 可视化结果展示。 4.根据权利要求3所述的基于充电片段数据的无监督标致电芯一致性故障检测方法， 其特征是： 所述特征提取过程需对所有实验电芯数据进行特征识别与提取， 具体的特征如 下： 1） 充电过程电芯的最大差值的均值； 2） 充电过程电芯的标准差的均值； 3） 充电过程电芯 熵的均值； 4） 放电过程电芯的最大差值的均值； 5） 放电过程电芯的标准差的均值； 6） 放电过 程电芯熵的均值； 其中熵值代 表一系列数据的混乱程度。权　利　要　求　书 1/1 页 2 CN 115372828 A 2基于充电片段数据和无 监督算法的电芯一致性评估方 法 技术领域 [0001]本发明涉及电池数据驱动无监督学习方法、 电芯一致性评估领域、 电池安全管理 评估技术领域， 尤其是一种基于充电片段 数据的无监 督标致电芯一 致性故障检测方法。 背景技术 [0002]电动汽车的核心 ‑动力电池， 正越来越多地受到人们的关注。 近些年动力电池的发 展也是日新月异， 人们对动力电池的要求也在不断提高， 尤其是在功 率、 能量、 安全、 稳定以 及使用寿命等方面。 动力电池是 由许多数量的单体电池经过并联和串联组成。 而电池组的 性能取决于单体容量、 内阻等方面一致性。 一致性好的单体成组后的电池能保持较高的放 电效率和循环寿命， 而一致性较差的单体成组后的电池则受个别性能不一致单体拖累， 放 电时间短、 放电容量低而且容易过充或过放以致整个电池寿命衰减加快。 电池组中某个电 芯或电芯间的不一致会形成 “短板”单体， 由于该类 “短板”单体的存在， 它会率先充满电并 放空电， 从而影响电池组中性能好且容量满的电池的充放电过程， 因此单体电芯不一致性 会导致电池组甚至电池系统的可实用整体容量下降， 其性能也会显著衰减。 目前针对 “短 板”的单体， 只有及时发现其不一致性故障， 并及时替换更新掉故障单体电芯， 才能有效避 免电池组及系统的潜在故障， 从而尽可能降低故障带来的生产损失。 [0003]为及时发现电池组中单体电芯不一致性故障， 准确实时探查到潜在故障单体， 进 而有效提升有效工作时间内的电池组性能及使用寿命， 有 学者与研究发明提出均衡控制策 略来有效改善电池组不一致性故障， 但用于检测单体电芯一致性和 “短板”电芯的方法较 少。 由于实际运行工况下 的新能源汽车电池组及其内部单体电芯的充放电过程并非连续， 也很少能够达到全周期充电 （即从0到100%的完整充电周期） ， 因此经实车数据采集与探查 过程得到的数据多为充电片段数据包括电压等， 并非完整的等间隔时间序列数据， 因此初 始数据集会出现间隔。 有学者根据电池充放电能量效率和电压差值筛选异常电池； 有学者 根据充电电压曲线的距离分析检测方法诊断不一致单体； 有 学者根据放电过程中阻抗变化 的趋势信息区分不 一致性单体电池。 [0004]但在实际的电池使用与一致性故障检测中需根据过往的一致性故障发生情况来 进行故障判断， 不同电池系统的电池组间故障表现不同， 其内部的单体电芯不一致性也因 电池实况各异， 因此电池系统的一致性好坏并非绝对概念， 而 是相对比较才可进 行判断的。 不同电芯的实际不一致性 故障判断往往基于经验值， 但实际工况或参数变化王阿旺会导致 判定结果出现主观错误， 因此如何找到可准确有效预测出单体电芯不一致性 故障的方法至 关重要。 发明内容 [0005]本发明融合数据驱动与统计学相关算法， 利用单体电芯充放电的特征数据构建故 障预测模型， 基于无监督聚类算法探索离群点， 进行异常检测， 并采用距离+箱线图的统计 学方法， 并根据可优化的系 数来对问题的紧急程度进行排序。 可有效准确且实时地对数据说　明　书 1/7 页 3 CN 115372828 A 3