一种基于云端在线数据的动力电池单体热失控预警方法技术

本发明专利技术涉及一种基于云端在线数据的动力电池单体热失控预警方法，包括以下步骤：S1：对云端收集的电池组数据进行电池模组边界特征提取，并形成高维矩阵；S2：提取出上述高维矩阵的低维特征矩阵，基于所述低维特征矩阵计算当前失效概率，根据预设的失效概率阈值与所述当前失效概率进行比较，判定当前是否存在热失控风险；S3：判定有热失控风险时，计算高维矩阵中每个维度对失效概率的贡献值，确定失效概率贡献最大的边界特征对应的单体电池为待核验高危单体；S4：分析所述待核验高危单体在线电压、温度与SOC数据，根据偏差程度值对应三级不同的等级进行报警。本方法通过对动力单体电池热失控进行预警，提升了电池运行的稳定性和安全性。性。性。

【技术实现步骤摘要】
一种基于云端在线数据的动力电池单体热失控预警方法


[0001]本专利技术属于新能源汽车动力电池
，具体涉及一种基于云端在线数据的动力电池单体热失控预警方法。

技术介绍

[0002]在电动汽车实际行驶中，伴随着电动汽车的使用，恶劣的路面条件、环境温度和负载的动态变化会导致电池系统性能非线性下降，进而不可避免导致漏液、绝缘损坏和内部微短路等问题。当前热失控发生与电动汽车实时工况的相关性并不明了，热失控出发机理尚不明确。因此及时监测电池的故障特征和评估电池的健康状态，是当前尽可能防止电池进一步老化引发自燃、爆炸等严重安全事故的主要手段和重要方法。实现电池管理系统的实时状态监控、精确故障诊断，进而达到提前进行安全预警具有重要的现实意义。
[0003]当前电池管理系统实现故障报警的方法主要有三类：基于阈值的判断方法，基于物理模型的判断方法以及基于数据驱动模型的判断方法。然而目前的热失控预警方法的验证和修正大多都是在实验室数据下完成，面对真实随机工况的准确性需要进一步开发。随着云端技术的发展，板载BMS数据可实时传输到云端储存与计算，在云端在线数据的基础上，结合智能算法对大数据进行挖掘，结合机器学习算法，实现对实时工况下，电池热失控风险的进行预警，保障电动车安全运行是非常有应用价值的。

技术实现思路

[0004]要解决的技术问题：
[0005]针对现有技术存在的上述技术问题，本专利技术提出一种基于云端在线数据的动力电池单体热失控预警方法，基于云端在线数据与多种智能算法，实现实车运行过程中电池单体的热失控预警定位，本专利技术技术方案如下：
[0006]一种基于云端在线数据的动力电池单体热失控预警方法，包括以下步骤：
[0007]S1：对云端收集的一定时段电池组数据进行电池模组边界特征提取，并将上述电池模组边界特征形成高维矩阵；
[0008]S2：通过机器学习算法对上述高维矩阵进行降维，提取出上述高维矩阵的低维特征矩阵，基于所述低维特征矩阵计算该时段内每一时刻的在当前失效概率，根据预设的失效概率阈值与上述当前失效概率进行比较，判定当前是否存在热失控风险；
[0009]S3：判定有热失控风险时，对步骤S2中的所述低维矩阵进行解压缩，计算步骤S1中高维矩阵中每个维度对失效概率的贡献值，确定失效概率贡献最大的边界特征对应的单体电池为待核验高危单体；
[0010]S4：分析所述待核验高危单体在线电压、温度与SOC数据，结合预先训练完毕的深度学习电池状态预测模型，计算所述待核验高危单体在线电压、温度与SOC数据在当前状态与预测状态的偏差程度，对所述待核验高危单体的电压、温度与SOC数据的所述偏差程度值与预设的三级的报警阈值进行比对，根据偏差程度值对应三级不同的等级进行报警。
[0011]进一步，在步骤S1中，所述电池模组的热失控相关参数包括单体电池的电压奈尔系数、单体池的电压变化率、单体电池电压对温度微分值、单体电池电压对荷电状态微分值、单体电池的温度变化率、单体电池的内短路内阻、单体电池的电压、单体电池的温度、单体电池的荷电状态。
[0012]进一步，在步骤S1中，提取的所述边界特征是对所述热失控相关参数提取的最值、次最值、标准差、极差
[0013]进一步，在步骤S2中，所述机器学习算法包括线性降维的PCA算法或者非线性降维的自编码器算法。
[0014]进一步，在步骤S2中，所述失效概率通过计算所述低维矩阵的Hotelling T2统计量与SPE统计量，从而计算出综合指标并回归到概率分布中获得失效概率；
[0015]进一步，在步骤S2中，计算所述失效概率，具体地，Hotelling T2统计量与SPE统计量的根据正常电池训练集降维过程矩阵进行计算；
[0016]其中，Hotelling T2统计量按照下式进行计算：
[0017][0018]式中，X
i
为某一时刻i模组边界特征矩阵，P
k
为降维变换矩阵，由主元特征向量组成，S为训练样本集主元特征值构成的对角矩阵，k为主元个数；
[0019]SPE统计量按照下式进行计算：
[0020][0021]式中，X
i
为某一时刻i模组边界特征矩阵)，P
k
为降维变换矩阵，I为单位矩阵，k为主元个数；
[0022]基于Hotelling T2与SPE统计量的求解，根据综合指标可得到样本当前时刻的系统失效率函数：
[0023][0024][0025]式中，δ2分别为Hotelling T2与SPE的控制限值，为一个对称的正定矩阵，综合指标符合概率分布自由度为h，系数为g的卡方分布，根据概率分布函数可得到当前失效概率函数失效概率h按照下式进行计算：
[0026][0027][0028]进一步，在步骤S3中，所述贡献值的计算根据不同降维方法而不同，对于线性降维方法则对模组边界特征对超越控制限制的低维特征的占比进行累加计算；对于非线性降维方法计算低维故障维度解压缩后对不同维度的占比。
[0029]本专利技术的有益效果在于：
[0030]1、信息融合判定：本专利技术的预警机制并非针对单一变量进行对比判定，而是结合模组的高维特征数据进行信息融合与降维之后进行判定，避免了单一变量的数据随机误差对判定造成影响，提高了本专利技术的鲁棒性。
[0031]2、多级判定，避免误报：本专利技术中，设置了多层判定逻辑，对电池模组边界参量与单体核心状态量进行了综合评估，通过失效率的形式进行统计判定，尽可能避免了误报，提高了实用价值。
[0032]3、高准确性：该方法对于云平台海量行车数据进行了数据降维与拟合，基于云端在线数据可实现本方法涉及模型的再训练，结合海量的数据集，保证了本专利技术的高准确性。。
附图说明
[0033]为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0034]图1是本专利技术的一种基于云端在线数据的动力电池单体热失控预警方法的工作流程图。
具体实施方式
[0035]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0036]S1：对云端收集的一定时段电池模组的热失控相关参数数据进行边界特征提取，形成数据高维矩阵。所述热失控相关参数可包括单体电池的电压奈尔系数、单体池的电压变化率、单体电池电压对温度微分值、单体电池电压对荷电状态微分值、单体电池的温度变化率、单体电池的内短路内阻、单体电池的电压、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于云端在线数据的动力电池单体热失控预警方法，其特征在于，包括以下步骤：S1：提取云端收集的电池模组数据的电池模组边界特征，并将上述电池模组边界特征形成高维矩阵；S2：通过机器学习算法对所述高维矩阵进行降维，提取出所述述高维矩阵的低维特征矩阵，基于所述低维特征矩阵计算该时段内每一时刻的在当前失效概率，根据预设的失效概率阈值与所述当前失效概率进行比较，判定当前是否存在热失控风险；S3：判定有热失控风险时，对步骤S2中所述的低维矩阵进行解压缩，计算步骤S1中高维矩阵中每个维度对失效概率的贡献值，确定失效概率贡献最大的边界特征对应的单体电池为待核验高危单体；S4：分析所述待核验高危单体在线电压、温度与SOC数据，结合预先训练完毕的深度学习电池状态预测模型，计算所述待核验高危单体在线电压、温度与SOC数据在当前状态与预测状态的偏差程度，对所述待核验高危单体的电压、温度与SOC数据的所述偏差程度值与预设的三级的报警阈值进行比对，根据偏差程度值对应三级不同的等级进行报警。2.根据权利要求1所述的一种基于云端在线数据的动力电池单体热失控预警方法，其特征在于，在步骤S1中，所述电池模组数据包括与热失控相关参数，具体包括单体电池的电压奈尔系数、单体池的电压变化率、单体电池电压对温度微分值、单体电池电压对荷电状态微分值、单体电池的温度变化率、单体电池的内短路内阻、单体电池的电压、单体电池的温度、单体电池的荷电状态。3.根据权利要求1或2所述的一种基于云端在线数据的动力电池单体热失控预警方法，其特征在于，在步骤S1中，提取的所述边界特征是对所述热失控相关参数提取的最值、次最值、标准差、极差。4.根据权利要求1所述的一种基于云端在线数据的动力电池单体热失控预警方法，其特征在于，在步骤S2中，所述机器学习算法包括线性降维的PCA...

【专利技术属性】
技术研发人员：杨世春，曹瑞，张正杰，林家源，王明悦，刘新华，李兴虎，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：