具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种动力电池系统的不一致性故障诊断方法及系统，以提高故障诊断的时效性和准确度。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

动力电池单体：指的是构成动力电池的最小模组单元，通过串并联可形成电池组。

单体电压：指的是动力电池单体的电压。

单帧：指的是某一采集时刻。

实施例一

如图1所示，本实施例提供的一种动力电池系统的不一致性故障诊断方法，包括：

步骤101：获取车辆动力电池系统的实车运行数据；所述车辆动力电池系统包括n个动力电池单体。

步骤102：根据所述实车运行数据，构建电压幅值特征矩阵；所述电压幅值特征矩阵为N/2行n列的矩阵，所述电压幅值特征矩阵中的元素a_x,j表示第x个采样点对应频率下第j个动力电池单体的电压数据的幅值特征值，N表示采样点总数。

步骤103：根据所述电压幅值特征矩阵，确定电压不一致性异常系数矩阵；所述电压不一致性异常系数矩阵为N/2行n列的矩阵，所述电压不一致性异常系数矩阵的元素k_x,j表示第x个采样点对应频率下第j个动力电池单体的电压不一致性异常系数。

步骤104：根据所述电压不一致性异常系数矩阵，确定具有电压不一致性故障的动力电池单体。

作为一种优选地实施方式，本发明所述的根据所述实车运行数据，构建电压幅值特征矩阵步骤，具体包括：

采用大数据预处理技术对所述实车运行数据处理，以提取所有所述动力电池单体对应的全生命周期原始电压数据集；所述大数据预处理技术包括数据清洗、数据降维和数据变换等。

根据所述全生命周期原始电压数据集，构建动力电池单体电压矩阵；所述动力电池单体电压矩阵为t行n列的矩阵，所述动力电池单体电压矩阵中的元素v_i,j表示在第i时刻下第j个动力电池单体的电压值，t表示时刻总数；所述动力电池单体电压矩阵用i∈[1,2,…,t],j∈[1,2,…,n]表示。

根据所述动力电池单体电压矩阵、快速傅里叶变换算法和取模运算算法，构建电压幅度特征矩阵；所述电压幅度特征矩阵为N/2行n列的矩阵，所述电压幅度特征矩阵中的元素m_x,j表示第x个采样点对应频率下的第j个动力电池单体的电压数据的幅度特征值，N表示采样点总数；所述电压幅度特征矩阵用x∈[1,2,…,N/2],j∈[1,2,…,n]表示。

根据所述电压幅度特征矩阵，构建电压幅值特征矩阵。所述电压幅值特征矩阵用x∈[1,2,…,N/2],j∈[1,2,…,n]表示。其中，元素a_x,j计算公式参见实施例三的公式。

作为一种优选地实施方式，本发明所述的根据所述电压幅值特征矩阵，确定电压不一致性异常系数矩阵步骤，具体包括：

将所述电压幅值特征矩阵中的元素的进行量纲变换，得到电压数据频域幅值特征矩阵；所述电压数据频域幅值特征矩阵为N/2行n列的矩阵，所述电压数据频域幅值特征矩阵中的元素a′_x,j表示第x个采样点对应频率下第j个动力电池单体的频域幅值特征值；其变换过程参见实施例三。

根据所述电压数据频域幅值特征矩阵，计算同一采样点对应频率下的所有动力电池单体对应的频域幅值特征的均值以及标准差；其均值以及标准差的计算过程参见实施例三。

根据所述电压数据频域幅值特征矩阵、所述均值和所述标准差，基于Z分数理论，确定电压不一致性异常系数矩阵。其电压不一致性异常系数的计算过程参见实施例三。

作为一种优选地实施方式，本发明所述的根据所述电压不一致性异常系数矩阵，确定具有不一致性故障的动力电池单体步骤，具体包括：

在动力电池单体对应的所有电压不一致性异常系数中，若至少有一个电压不一致性异常系数超过故障阈值，则将动力电池单体标记为具有电压不一致性故障的动力电池单体，并遍历所述车辆动力电池系统中的所有动力电池单体，得到所有具有电压不一致性故障的动力电池单体。

一个示例：

电压不一致性异常系数矩阵的一列数据对应一个动力电池单体，以一列数据为单元，依次判断动力电池单体是否为故障动力电池单体；其判断过程为：

将一列数据按照矩阵顺序(从上到下或者从下到上)，依次判断电压不一致性异常系数是否超过故障阈值；当判断结果出现电压不一致性异常系数超过故障阈值，停止此列数据的判断，并将此列数据对应的动力电池单体标记为具有电压不一致性故障的动力电池单体；当该列数据都进行上述判断后，发现该列数据中的每个数据均小于或者等于故障阈值时，将该列数据对应的动力电池单体标记电压一致性良好标签。重复上述过程，当电压不一致性异常系数矩阵中所有列进行判断后停止。

作为一种优选地实施方式，本发明所述的方法还包括：

当具有电压不一致性故障的动力电池单体的数量为0时，表征所述车辆动力电池系统的电压一致性良好。

当具有电压不一致性故障的动力电池单体的数量为1时，输出具有电压不一致性故障的动力电池单体对应的编号。

当具有电压不一致性故障的动力电池单体的数量大于1时，输出每个具有电压不一致性故障的动力电池单体对应的编号和异常率。

其中，所述异常率为第一频次与总频次的比值；所述第一频次为一个具有电压不一致性故障的动力电池单体对应的电压不一致性异常系数超过故障阈值的频次；所述总频次为所有具有电压不一致性故障的动力电池单体对应的电压不一致性异常系数超过故障阈值的频次的和；其计算过程参见实施例三。

实施例二

如图2所示，本实施例所述的一种动力电池系统的不一致性故障诊断系统，包括：

实车运行数据获取模块201，用于获取车辆动力电池系统的实车运行数据；所述车辆动力电池系统包括n个动力电池单体。

电压幅值特征矩阵构建模块202，用于根据所述实车运行数据，构建电压幅值特征矩阵；所述电压幅值特征矩阵为N/2行n列的矩阵，所述电压幅值特征矩阵中的元素a_x,j表示第x个采样点对应频率下第j个动力电池单体的电压数据的幅值特征值，N表示采样点总数。

电压不一致性异常系数矩阵确定模块203，用于根据所述电压幅值特征矩阵，确定电压不一致性异常系数矩阵；所述电压不一致性异常系数矩阵为N/2行n列的矩阵，所述电压不一致性异常系数矩阵的元素k_x,j表示第x个采样点对应频率下第j个动力电池单体的电压不一致性异常系数。

故障动力电池单体确定模块204，用于根据所述电压不一致性异常系数矩阵，确定具有电压不一致性故障的动力电池单体。

其中，所述电压幅值特征矩阵构建模块202，具体包括：

预处理单元，用于采用大数据预处理技术对所述实车运行数据处理，以提取所有所述动力电池单体对应的全生命周期原始电压数据集；所述大数据预处理技术包括数据清洗、数据降维和数据变换。

动力电池单体电压矩阵构建单元，用于根据所述全生命周期原始电压数据集，构建动力电池单体电压矩阵；所述动力电池单体电压矩阵为t行n列的矩阵，所述动力电池单体电压矩阵中的元素v_i,j表示在第i时刻下第j个动力电池单体的电压值，t表示时刻总数。

电压幅度特征矩阵构建单元，用于根据所述动力电池单体电压矩阵、快速傅里叶变换算法和取模运算算法，构建电压幅度特征矩阵；所述电压幅度特征矩阵为N/2行n列的矩阵，所述电压幅度特征矩阵中的元素m_x,j表示第x个采样点对应频率下的第j个动力电池单体的电压数据的幅度特征值，N表示采样点总数。

电压幅值特征矩阵确定单元，用于根据所述电压幅度特征矩阵，构建电压幅值特征矩阵。

所述电压不一致性异常系数矩阵确定模块203，具体包括：

量纲变换单元，用于将所述电压幅值特征矩阵中的元素的进行量纲变换，得到电压数据频域幅值特征矩阵；所述电压数据频域幅值特征矩阵为N/2行n列的矩阵，所述电压数据频域幅值特征矩阵中的元素a′_x,j表示第x个采样点对应频率下第j个动力电池单体的频域幅值特征值。

均值与标准差计算单元，用于根据所述电压数据频域幅值特征矩阵，计算同一采样点对应频率下的所有动力电池单体对应的频域幅值特征的均值以及标准差。

电压不一致性异常系数矩阵确定单元，用于根据所述电压数据频域幅值特征矩阵、所述均值和所述标准差，基于Z分数理论，确定电压不一致性异常系数矩阵。

所述故障动力电池单体确定模块204，具体包括：

故障动力电池单体确定单元，用于在动力电池单体对应的所有电压不一致性异常系数中，当至少有一个电压不一致性异常系数超过故障阈值时，将动力电池单体标记为具有电压不一致性故障的动力电池单体，并遍历所述车辆动力电池系统中的所有动力电池单体，得到所有具有电压不一致性故障的动力电池单体。

本发明所述的系统还包括：

电压一致性良好确定模块，用于当具有电压不一致性故障的动力电池单体的数量为0时，表征所述车辆动力电池系统的电压一致性良好。

故障单体编号确定模块，用于当具有电压不一致性故障的动力电池单体的数量为1时，确定具有电压不一致性故障的动力电池单体对应的编号。

故障单体编号和异常率确定模块，用于当具有电压不一致性故障的动力电池单体的数量大于1时，确定每个具有电压不一致性故障的动力电池单体对应的编号和异常率。

其中，所述异常率为第一频次与总频次的比值；所述第一频次为一个具有电压不一致性故障的动力电池单体对应的电压不一致性异常系数超过故障阈值的频次；所述总频次为所有具有电压不一致性故障的动力电池单体对应的电压不一致性异常系数超过故障阈值的频次的和。

实施例三

本实施例提供了一种基于频域指标的动力电池系统不一致性故障的诊断方法，包括如下步骤。

步骤1：获取车辆运行数据。

基于新能源汽车国家监管平台，获取车辆动力电池系统的实车运行数据。该车辆动力电池系统包括n个动力电池单体(以下简称单体)。

步骤2：数据预处理。

基于数据清洗、数据降维、数据变换等大数据预处理技术，对实车运行数据进行处理，提取所有单体的全生命周期原始电压数据集。

步骤3：构建单体电压矩阵。

基于上述全生命周期原始电压数据集，提取某个时间片段内全体单体电压值。所选取时间片段总帧数为t，单体总数量为n，从而形成单体电压矩阵V_t×n。

其中，i表示第i帧；j表示第j个单体；v_i,j表示在第i时刻(帧)下第j个单体的电压值，单位为V。

步骤4：提取电压幅度特征。

设置快速傅里叶变换时的采样点数为N，遍历n个单体的电压数据，分别进行快速傅里叶变换，将变换得到的复数结果进行取模运算，得到频域中不同频率所对应的幅度值，进而形成电压幅度特征矩阵M_N/2×n。由于快速傅里叶变换具有对称性，因此重点分析的采样点区域确定为[1，N/2]。

其中，x表示第x个采样点；j表示第j个单体；m_x,j表示第x个采样点对应频率下的第j个单体的电压数据的幅度特征值。

步骤5：计算电压幅值特征。

幅值可以分为直流分量幅值和弦波分量幅值，基于电压幅度特征矩阵，进而得到电压幅值特征矩阵A_N/2×n。

其中，a_x,j表示第x个采样点对应频率下第j个单体的电压数据的幅值特征值。具体计算公式为:

步骤6：幅值特征量纲变换。

为了用较小的坐标来描述很宽的幅值特征范围，将幅值特征值的单位转换为工程中常见的分贝数，从而得到最终的电压数据频域幅值特征矩阵A′_N/2×n。

A′_N/2×n＝(a′_x,j)_N/2×nx∈[1,2,…,N/2],j∈[1,2,…,n]；

其中，a′_x,j表示第x个采样点对应频率下第j个单体进行单位变换后的幅值特征值，即频域幅值特征值，单位为dB。具体计算公式为：

a′_x,j＝20log₁₀(a_x,j)。

步骤7：计算异常系数。

首先计算同一采样点对应频率下的所有单体的频域幅值特征的均值E(a′_x)以及标准差σ(a′_x)。

其次，为了实现频域幅值特征离散性和电压不一致性故障的定量评估，基于Z分数理论计算得到电压不一致性异常系数矩阵K_N/2×n。

其中，x表示第x个采样点；j表示第j个单体；k_x,j表示第x个采样点对应频率下第j个单体的电压不一致性异常系数。其中k_x,j的具体计算公式为:

步骤8：故障阈值设定。

基于新能源汽车国家监管平台，检索同一车型的电压数据，从而得到足够的样本量，重复步骤2-步骤7，将得到的电压不一致性异常系数值进行统计分析，进而设定出相应的故障阈值(一般认为|k|≥4时，动力电池单体之间存在电压严重不一致性故障)。

步骤9：故障单体检测和定位。

依据步骤7计算得到的电压不一致性异常系数值k，将其与故障阈值进行比较，若某个单体对应的一个电压不一致性异常系数值存在超出故障阈值的情况，则单体为故障单体。重复上述步骤，遍历所有单体，记录故障单体的数量及故障单体的编号。

步骤10：单体电池故障程度排序。

依据步骤9中的故障单体编号，若故障单体数等于0时，则该车辆动力电池系统的电池单体一致性良好；若故障单体数等于1时，直接输出故障单体编号；若故障单体数量大于1时，记录故障单体异常系数超过阈值的频次，并基于异常率进行多个故障单体的故障程度判定，并将故障单体编号及故障程度排名进行输出。其中异常率的具体计算公式如下：

其中，R_k表示第k个故障单体的异常率；f_k表示第k个故障单体异常系数超过故障阈值的频次；ft表示诊断结果所有故障单体异常系数超过阈值的总频次。

本发明利用实时传输的单体电压参数，判断方法简单，实时性较高。另外，本发明基于电压数据的频域幅值指标及异常系数的计算能快速准确的诊断出动力电池单体的电压不一致性故障，并精确定位故障单体，从而有效防止新能源车辆热失控事件的发生。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。