一种基于大数据的动力电池热失控预测方法技术

本发明专利技术涉及新能源汽车技术领域，尤其涉及一种基于大数据的动力电池热失控预测方法，本发明专利技术利用新能源汽车大数据，对检测车辆PACK内所有单体的端电压保持长期采集，数据进行清洗处理后，建立一维线性数学模型，根据数学模型计算获得所有单体拟合曲线的当前值集合和斜率值集合。用当前值评估内短路的严重程度，用斜率是来评估其内短路的变化速率。依据严重程度和变化速率评估因内短路引发动力电池热失控的风险。为实现计算机的自动识别，本方案提出获得所有装车的同款电芯的当前值集合和斜率值集合。在获得所有电芯当前值和斜率值后，利用离群算法筛选有较大风险发生热失控的电芯，并判断该电芯所归属的车辆有发生热失控的风险。风险。风险。

【技术实现步骤摘要】
一种基于大数据的动力电池热失控预测方法


[0001]本专利技术涉及新能源汽车
，尤其涉及一种基于大数据的动力电池热失控预测方法。

技术介绍

[0002]当前，新能源汽车因动力电池热失控而引发的自燃时有发生，已经成为阻碍潜在购车用户购买新能源车的主要原因之一。现有技术通过在电池PACK内设置气压传感器或烟雾传感器的方法诊断热失控发生，当检测到包内气压超过阈值或监测到烟雾时，判断为发生热失控，该方法只能失控已发生时有效，不能做到提前预测热失控。

技术实现思路

[0003]针对上述现有技术采用检测热失控的方法，只能在热失控已发生时起作用，无法在热失控发生之前提前预判的问题，提供具备预判存在热失控风险的电池PACK的一种基于大数据的动力电池热失控预测方法。
[0004]为解决上述技术问题，本专利技术提供一种基于大数据的动力电池热失控预测方法，包括以下步骤：
[0005]S1、收集指定同一车型的若干车辆单体停车静置N小时后的电池PACK内各电芯的端电压，得到单体端电压阵列；
[0006]S2、基于车辆单体的端电压阵列，计算获得该车辆单体的各帧平均端电压列向量；
[0007]S3、基于各帧平均端电压列向量，计算获得该车辆单体的端电压压差矩阵；
[0008]S4、基于该车辆单体的端电压压差矩阵，计算获得该车辆单体的平均端电压压差向量；
[0009]S5、获取至少一次该车辆单体停车静置N小时后的电池PACK的单体压差矩阵；
[0010]S6、将所述车辆单体的单体压差矩阵按列进行拆分，获得该车辆单体停车静置N小时后的压差电压向量；
[0011]S7、对所述各车辆单体的停车静置N小时后的压差电压向量进行拟合，得到所述指定同一车型的所有车辆单体电芯的斜率集和压差集；
[0012]S8、将步骤S7得到的斜率集和压差集进行筛选，得到离群的斜率子集和压差子集；
[0013]S9、通过对斜率子集和压差子集判断所属的车辆单体的电池PACK是否存在热失控风险。
[0014]本方案利用新能源汽车国家大数据平台为数据来源，结合电芯的物化机理，建立了一套能在线实时获得电芯端电压压差矩阵，并通过该矩阵在时间轴上的变化趋势提前预判热失控的发生。
[0015]进一步的，所述步骤S1中，单体端电压阵列为G：
[0016][0017]其中，D
n
为第n次停车静置的数据矩阵；
[0018][0019]其中，U
nk
为第n次停车静置的第k帧充电单体端电压向量；U
nk
＝[u
n1k u
n2k u
n3k
ꢀ…ꢀ
u
nmk
]，u
nmk
为车辆单体第n次停车静置的第k帧的第m个单体端电压，k∈[100,+∞)，k值的取值范围为正整数。
[0020]进一步的，所述步骤S2中，对U
nk
向量按照正态分布的3σ原则排除异常数据，得到有效数据，计算有效数据的算术平均值获得平均电压v
nk
，则第n次车辆单体停车静置的各帧平均端电压列向量为：
[0021][0022]其中，v
nk
为第n次停车静置，第k帧充电数据的单体的平均电压；
[0023][0024]其中，i表示电芯编号。
[0025]进一步的，所述步骤S3中，端电压压差矩阵为ΔV
n
：
[0026]ΔV
n
＝D
n
‑
V
n
[0027]令第n次停车静置第m串单体端电压压差列向量为则
[0028][0029]其中，其中，为第n次停车静置的第m个单体的第k帧的端电压压差值。
[0030]进一步的，所述步骤S4中，第n次停车静置的该车辆单体的平均端电压压差向量M
n
：
[0031]M
n
＝[m
n1 m
n2 m
n3
ꢀ…ꢀ
m
nm
][0032]其中，m
nm
为n次停车静置的第m串电芯的平均压差；
[0033][0034]其中，d为第n次停车静置获得的数据总帧数。
[0035]进一步的，所述步骤S5中，通过M
n
获得该电池PACK历次停车静置的单体压差矩阵M：
[0036][0037]进一步的，所述步骤S6中，将M按列进行拆分，获得该车辆单体停车静置N小时后的
压差电压向量ΔV
′
m
，m为单体编号。
[0038]进一步的，所述步骤S7中，对ΔV
′
m
采用最小二乘法进行一次拟合，得到一元一次线性方程：
[0039]Δu＝k
m
*n+b
m
[0040]其中，Δu为拟合后的第n次充电压差值；
[0041]k
m
为斜率；n为充电次数；b
m
为截距；
[0042]获得相同型号的所有存量车电芯的斜率集k和压差值集u。
[0043]进一步的，所述步骤S8中，将步骤S7得到的斜率集k和压差值集u，通过正态分布3σ原则，筛选出离群的斜率子集k
’
值和压差子集u
’
值。
[0044]进一步的，所述步骤S9中，对斜率子集k
’
值和压差子集u
’
值进行判断，当k
’
∈(
‑
∞，μ
‑
3σ]或u
’
∈(
‑
∞，μ
‑
3σ]，断定该车辆单体的电池PACK存在热失控风险。
[0045]相比于现有技术，本专利技术的优点及有益效果在于：本专利技术的方案基于新能源汽车国家大数据平台为数据，对指定车型配备的电池PACK的电芯进行判断，筛选出存在热失控风险的电池PACK，在热失控前对存在风险的电池PACK进行处理。
附图说明
[0046]图1为本专利技术的预测方法流程示意图。
具体实施方式
[0047]为了使本专利技术的目的、技术方案及优点更加清楚明白，下面通过具体实施方式结合附图对本专利技术做进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术。
[0048]正常情况下，电池PACK除针刺、碰撞等外力原因造成动力电芯瞬间发生热失控外，一般情况下的热失控是因为过充过放造成的，此类热失控并非瞬间发生，通常会有一个较长的演变过程，伴随该过程的特征是其电芯端电压相对于其它正常电芯端电压越来越低。因此通过历史数据分析端电压压差的变化情况可有效预测热失控的发生。
[0049]一种基于大数据的动力电池热失控预测方法，包括以下步骤：
[0050]S1、收集指定同一车型的若干车辆单体停本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于大数据的动力电池热失控预测方法，其特征在于，包括以下步骤：S1、收集指定同一车型的若干车辆单体停车静置N小时后的电池PACK内各电芯的端电压，得到单体端电压阵列；S2、基于车辆单体的端电压阵列，计算获得该车辆单体的各帧平均端电压列向量；S3、基于各帧平均端电压列向量，计算获得该车辆单体的端电压压差矩阵；S4、基于该车辆单体的端电压压差矩阵，计算获得该车辆单体的平均端电压压差向量；S5、获取至少一次该车辆单体停车静置N小时后的电池PACK的单体压差矩阵；S6、将所述车辆单体的单体压差矩阵按列进行拆分，获得该车辆单体停车静置N小时后的压差电压向量；S7、对所述各车辆单体的停车静置N小时后的压差电压向量进行拟合，得到所述指定同一车型的所有车辆单体电芯的斜率集和压差集；S8、将步骤S7得到的斜率集和压差集进行筛选，得到离群的斜率子集和压差子集；S9、通过对斜率子集和压差子集判断所属的车辆单体的电池PACK是否存在热失控风险。2.根据权利要求1所述的一种基于大数据的动力电池热失控预测方法，其特征在于，所述步骤S1中，单体端电压阵列为G：其中，D
n
为第n次停车静置的数据矩阵；其中，U
nk
为第n次停车静置的第k帧充电单体端电压向量；U
nk
＝[u
n1k u
n2k u
n3k
…
u
nmk
]，u
nmk
为车辆单体第n次停车静置的第k帧的第m个单体端电压，k∈[100,+∞)，k值的取值范围为正整数。3.根据权利要求2所述的一种基于大数据的动力电池热失控预测方法，其特征在于，所述步骤S2中，对U
nk
向量按照正态分布的3σ原则排除异常数据，得到有效数据，计算有效数据的算术平均值获得平均电压v
nk
，则第n次车辆单体停车静置的各帧平均端电压列向量为：其中，v
nk
为第n次停车静置，第k帧充电数据的单体的平均电压；其中，i表示电芯编号。4.根据权利要求3所述的一种基于大数据的动力电池热失控预测方法，其特征在于，所述步骤S3中，端电压压差矩阵为ΔV
n
：
ΔV
n
＝D
n
‑
V
n
令第n次停车静置第...

【专利技术属性】
技术研发人员：王震坡，刘鹏，贺劲松，张林，雷宇涵，董赛男，
申请(专利权)人：北京理工大学重庆创新中心，
类型：发明
国别省市：