一种用于锂电池BMS系统的数据智能采集处理方法与流程

摘要: 本发明涉及数据处理,尤其涉及一种用于锂电池bms系统的数据智能采集处理方法。背景技术:1、锂电池bms系统是动力电池及储能系统的核心控制单元,通过采集电压、电流...
一种用于锂电池BMS系统的数据智能采集处理方法与流程

本发明涉及数据处理,尤其涉及一种用于锂电池bms系统的数据智能采集处理方法。

背景技术:

1、锂电池bms系统是动力电池及储能系统的核心控制单元,通过采集电压、电流等参数实现状态估算与安全保护,锂电池bms系统的采集数据质量是决定系统安全与寿命的核心要素。在电池运行管控与测试验证过程中,数据质量偏差不仅会造成荷电状态估算失准、充放电保护逻辑误动作、降低电池组循环寿命与能效利用水平、严重时还会引发过充过放故障与热失控安全风险,同时也会大幅降低电池性能测试的结果可信度与验证效率。因此研究一种用于锂电池bms系统的数据智能采集处理方法,对提升数据质量与系统安全具有重要的工程应用价值与产业经济意义。

2、现有技术通常采用经验模态分解(emd)算法构建锂电池bms系统的采集数据的自适应降噪处理框架,实现非平稳采集信号的噪声分离与有效信号重构,该方法通过建立时序采集信号的自适应模态分解模型,将电压、电流、温度等原始监测数据分解为多阶固有模态函数与残差分量,依据各阶分量的频谱特性与能量占比划分噪声主导分量与有效信号分量,对高频噪声分量执行阈值滤除后通过分量叠加完成信号重构,从而为锂电池bms系统的soc/soh估算与故障诊断提供相对平滑可靠的输入参量。

3、但是,现有emd算法的核心在于通过信号多尺度分解与分量筛选,实现bms采集数据中随机噪声的有效抑制。然而锂电池的电化学响应特性对极端温度高度敏感,例如:低温环境下电解液离子的电导率显著下降,电极/电解液界面的电荷转移反应速率骤降以及sei膜离子的传导能力大幅弱化,进而导致充放电过程中电化学噪声特性发生显著改变,使得采集信号中混入大量非平稳极化响应分量,此时基于信号局部极值点的分解机制无法准确刻画真实信号的尺度分布水平,从而引发模态混叠与有效分量被错误剔除,最终严重影响锂电池bms系统的soc/soh估算精度与故障预警可靠性。

技术实现思路

1、有鉴于此,本发明实施例提供了一种用于锂电池bms系统的数据智能采集处理方法,以解决利用emd算法对bms采集数据中的随机噪声进行抑制时,基于信号局部极值点的分解机制无法准确刻画真实信号的尺度分布水平的问题。

2、本发明实施例中提供了一种用于锂电池bms系统的数据智能采集处理方法,该方法包括以下步骤:

3、将同一生产批次的锂电池单体分组设置在多个不同恒温环境下进行完整测试,分别获取每个恒温环境下的弛豫恢复阶段的电压时序数据,所有恒温环境的温度在预设温度范围内呈现线性变化;

4、根据每个电压时序数据的变化,提取每个恒温环境下的电压阶跃幅值和有效极化时长,并构建电压阶跃幅值与温度之间的第一基准拟合函数以及有效极化时长与温度之间的第二基准拟合函数;

5、利用第一基准拟合函数和第二基准拟合函数,预测每个恒温环境下的电压阶跃幅值和有效极化时长,得到对应的预测值,根据每个恒温环境下的电压阶跃幅值和有效极化时长分别与其对应的预测值之间的残差,分别计算全局拟合偏差量和残差分布结构补偿因子;

6、利用所述残差分布结构补偿因子对所述全局拟合偏差量进行补偿修正,得到温度自适应极化尺度匹配系数,利用温度自适应极化尺度匹配系数获取emd算法的自适应极值点插值尺度;

7、利用自适应极值点插值尺度的emd算法对锂电池bms系统采集的实时传感器信号进行信号重构误差评价,实现锂电池运行状态的实时监测。

8、优选的,所述根据每个电压时序数据的变化,提取每个恒温环境下的电压阶跃幅值和有效极化时长,包括:

9、针对任一恒温环境,根据所述任一恒温环境下的弛豫恢复阶段的电压时序数据的变化,将弛豫恢复阶段划分为快弛豫段和慢弛豫段;

10、根据快弛豫段中的每个采样时刻的电压,将最大电压和最小电压之间的差值绝对值作为所述任一恒温环境下的电压阶跃幅值;将慢弛豫段的时长作为所述任一恒温环境下的有效极化时长。

11、优选的,所述根据所述任一恒温环境下的弛豫恢复阶段的电压时序数据的变化,将弛豫恢复阶段划分为快弛豫段和慢弛豫段,包括:

12、获取电压时序数据的一阶差分序列,在所述一阶差分序列中的前n个差分值中确定最大差分值;在所述最大差分值的后面,确定小于或等于预设比例的最大差分值所对应的第一个差分值,将所述第一个差分值对应的采样时刻作为第一划分节点;

13、计算所述第一划分节点之后的每个采样时刻的电压与开路电压之间的电压差值,将电压差值在预设波动范围内对应的采样时刻作为稳定候选时刻;利用预设长度的滑动窗口,以预设滑动步长在所述第一划分节点之后的采样时刻中进行滑动,得到至少两个目标窗口,统计每个目标窗口内的稳定候选时刻的数量占比,将数量占比满足预设占比阈值的第一个目标窗口中的第一个稳定候选时刻作为第二划分节点;

14、在弛豫恢复阶段中,将所述第一划分节点之前的阶段作为快弛豫段,将所述第一划分节点和所述第二划分节点之间的阶段作为慢弛豫段。

15、优选的,所述构建电压阶跃幅值与温度之间的第一基准拟合函数以及有效极化时长与温度之间的第二基准拟合函数,包括:

16、电压阶跃幅值与温度之间遵循vtf方程,对应电压阶跃幅值与温度之间的第一基准拟合函数为:

17、;

18、其中,表示自然对数函数,表示第i个恒温环境下的电压阶跃幅值,表示指前系数,即第一基准拟合函数的截距项,表示vtf特征温度参数,即第一基准拟合函数的斜率项,表示第i个恒温环境对应的温度,表示理论临界温度;

19、有效极化时长与温度之间遵循阿伦尼乌斯方程,对应有效极化时长与温度之间的第二基准拟合函数为:

20、;

21、其中,表示第i个恒温环境下的有效极化时长,表示指前时间因子,即第二基准拟合函数的截距项,为电荷转移反应活化能,为通用摩尔气体常数。

22、优选的,所述根据每个恒温环境下的电压阶跃幅值和有效极化时长分别与其对应的预测值之间的残差,分别计算全局拟合偏差量和残差分布结构补偿因子,包括:

23、分别获取每个恒温环境下的电压阶跃幅值与其对应的预测值之间的差值绝对值,得到差值绝对值的均值,将所述差值绝对值的均值作为函数的自变量,得到电压阶跃幅值的全局拟合偏差量;

24、计算每个恒温环境下的电压阶跃幅值与其对应的预测值之间的差值,并按照恒温环境的温度从低到高的顺序,得到差值序列;根据差值序列的分布,计算电压阶跃幅值的残差分布结构补偿因子;

25、按照电压阶跃幅值的全局拟合偏差量和残差分布结构补偿因子的获取方法,分别获取有效极化时长的全局拟合偏差量和残差分布结构补偿因子。

26、优选的,所述根据差值序列的分布,计算电压阶跃幅值的残差分布结构补偿因子,包括:

27、对差值序列进行一阶差分处理,得到对应的差分序列,对于所述差分序列中的任一两个相邻差分值,以所述任一两个相邻差分值的差值绝对值为分子,以所述任一两个相邻差分值的绝对相加值为分母,得到对应的比值,计算所述差分序列中每两个相邻差分值对应的比值,得到平均比值,记为残差变化剧烈程度;

28、获取所述差分序列的游程数,以所述游程数据与常数1的差值为分子,以恒温环境的数量与常数2的差值为分母,得到连续性指标;将所述残差变化剧烈程度与所述连续性指标的乘积作为第一特征值;

29、根据每个恒温环境下的电压阶跃幅值与其对应的预测值之间的差值绝对值,获取最大差值绝对值对应的恒温环境的温度,记为峰值温度,根据峰值温度分别与预设温度范围的最大温度和最小温度之间的差值绝对值,选取最小差值绝对值作为函数的自变量,得到第二特征值;

30、获取所述第一特征值和所述第二特征值的乘积,将常数1与所述乘积的差值作为电压阶跃幅值的残差分布结构补偿因子。

31、优选的,所述利用所述残差分布结构补偿因子对所述全局拟合偏差量进行补偿修正,得到温度自适应极化尺度匹配系数,包括:

32、获取电压阶跃幅值的全局拟合偏差量和残差分布结构补偿因子之间的相乘值,记为电压阶跃幅值下的极化尺度匹配系数;获取有效极化时长的全局拟合偏差量和残差分布结构补偿因子之间的相乘值,记为有效极化时长下的极化尺度匹配系数;

33、将电压阶跃幅值下的极化尺度匹配系数与有效极化时长下的极化尺度匹配系数之间的乘积作为温度自适应极化尺度匹配系数。

34、优选的,所述利用温度自适应极化尺度匹配系数获取emd算法的自适应极值点插值尺度,包括:

35、将常数1与所述温度自适应极化尺度匹配系数作为调整系数,将极值点插值尺度的基准值与所述调整系数的乘积作为emd算法的自适应极值点插值尺度。

36、本发明实施例与现有技术相比存在的有益效果是:

37、本发明中,针对性解决极端温度下传统emd算法的适配缺陷,通过对每个恒温环境下的弛豫恢复阶段的电压时序数据进行双维度极化特征提取,以构建融合全局偏差量化与残差结构补偿的极化响应偏差评估模型,精准区分电化学极化畸变与测量噪声,避免非物理干扰引发的降噪参数误触发,从根源上抑制模态混叠与有效分量误滤问题;进而基于融合全局偏差量化与残差结构补偿的极化响应偏差评估模型,获取双维度下的极化尺度匹配系数,以动态调整包络线拟合敏感度,得到emd算法的自适应极值点插值尺度,使得极端低温下自动放宽插值尺度以平滑跟踪离子电导率下降导致的非线性极化趋势,既保留正常工况下的有效信号细节,又能在极化畸变场景下抑制非平稳噪声污染,显著提升soc/soh估算的输入数据可靠性。