一种新能源汽车电池系统的单体差异风险智能识别方法与流程

1.本发明涉及动力电池技术领域，特别涉及一种新能源汽车电池系统的单体差异风险智能识别方法。


背景技术：

2.新能源汽车(电动车)出现事故、尤其是起火事故，大多数都是因动力电池出现故障而引起的。在实际应用中，可以通过bms(电池管理系统)监控获取的各项指标来分析电池包内部状态，进而实现新能源汽车的安全预警和风险评估。
3.汽车应用中将很多个独立的电池单体串联起来形成蓄电池组，形成电池包，各电池单体作为电池包中的最小监控单元，电池包内部状态的恶化往往通过各电池单体之间性能的不一致性表现出来，因此，分析电池包的风险状态可以通过分析各电池单体性能是否一致来实现。由于每个电池单体受工艺限制，各电池内阻、连接处阻值、内部杂质等均有所差别，因此各电池单体在出厂时的初始状态就各不相同，但是这些不一致是其固有的理化性质决定的，可认为这种不一致性是稳定的，通常不会导致事故发生。目前，常用的分析电池包内部电池单体一致性的方法有：分析电池单体电压拨动不稳定性的信息熵方法，基于等效电路模型计算内阻识别内短路的内阻法，基于大量实例进行有监督机器学习构建分析模型的特征分析法等，但是，这些方法都存在诸如事故车与正常车区分度小、数据质量要求高、运算量大等缺陷。


技术实现要素：

4.本发明的目的是针对现有技术的不足，提供一种新能源汽车电池系统的单体差异风险智能识别方法，其实时性高，对数据要求简单，能实现对各电池的差异量化和安全风险的智能识别。
5.本发明的技术方案是：一种新能源汽车电池系统的单体差异风险智能识别方法，具体步骤如下：
6.1)数据采集：实时采集车辆运行中的六项运行参数soci(i时刻的电池电量)，statusi(i时刻的充放电状态)，umaxi(i时刻的最高电压值)，umini(i时刻的最低电压值)，smaxi(i时刻的电压最高单体序号)，smini(i时刻的电压最低单体序号)，以上数据均为具有时标的时变数据；
7.2)电池单体不一致性特征结构化：定义极差矩阵am×n：
8.am×n＝(a
ij
)∈rm×n9.其中
10.式中，m表示电池包中电池单体的数量，n表示有效数据的数量，a
ij
表示极差矩阵第i行第j列的元素，rm×n表示m行n列的实数矩阵；
11.3)电池单体不一致性的量化：
12.3-1)根据历史数据，设置滤波器f；
13.3-2)将极差矩阵与滤波器f做卷积，得到用于反映电池包当前不一致性的差异矩阵dm×n＝cov(a,f)，计算公式如下，
[0014][0015]
式中，d
ij
表示差异矩阵第i行第j列的元素，fi表示滤波器的第i个元素，a
i+1-k,j
表示极差矩阵第i+1-k行第j列的元素，l表示历史观察窗口长度；
[0016]
4)电池单体不一致性的异常改变识别：基于历史影响窗口内l条数据的均值和标准差实现对差异矩阵的放缩，得到相对差异矩阵d
′
，计算公式如下，
[0017][0018]
式中，d
′
ij
表示相对差异矩阵第i行第j列的元素，d
ij
表示差异矩阵，x
ij
表示历史影响窗口内l条数据的均值，s
ij
表示历史影响窗口内l条数据标准差；
[0019]
5)不一致性安全风险的特征信号构建：根据采样频率fs设定第i个电芯第j个时刻的安全风险信号为a
ij
，提取安全风险信号的均值μ
ij
、标准差σ
ij
、峰度k
ij
、整流平均值波形因子峰值因子信息熵h(a
ij
)，得到其安全风险特征α
ij
，其中：：
[0020]aij
＝(d
′
i,j-600*fs+1
,d
′
i,j-600*fs+2
,
…
,d
′
i,j
)，
[0021][0022]
6)电池系统安全风险的风险智能识别：使用事故车的问题电芯事故前3小时的安全风险特征作为风险训练集，使用正常车的电芯和事故车的正常电信的安全风险特征作为安全训练集，训练非线性逻辑回归分类模型，从而实现电池系统安全风险的风险智能识别。
[0023]
进一步地，步骤3-1)中，滤波器f为长度是2l，标准差为σ＝2l/3.75的一阶半高斯滤波器，计算公式如下，
[0024]
f＝(f1,f2,
…
,f
l
),其中
[0025]
式中，l为设定的历史观察窗口长度，用于观察某时刻时观察窗口内的历史数据。
[0026]
进一步地，步骤4)中，历史影响窗口内l条数据的均值和标准差按以下公式计算，
[0027][0028][0029]
式中，l表示历史影响窗口长度，avgm×n表示历史影响窗口内l条数据的均值，sm×n表示历史影响窗口内l条数据的标准差。
[0030]
进一步地，步骤5)中，第i个电芯第j个时刻的安全风险特征包括均值、标准差、峰
度、整流平均值、波形因子、峰值因子、信息熵，按以下公式计算，
[0031][0032][0033][0034][0035][0036][0037][0038]
式中，d
′
表示差异矩阵，a
ij
表示第i个电芯第j个时刻的安全风险信号。
[0039]
采用上述技术方案的有益效果：
[0040]
1.本方法对数据要求低：仅使用国标数据即可进行计算，不要求数据采集频率高，不要求数据严格连续，也不需要单体电压值即可实现精确到电芯的安全预警。
[0041]
2.本方法能够对电池单体实现差异量化：构建差异矩阵的过程即实现了电池包内部不一致性的量化，矩阵中各元素的大小即是量化的各电池单体不一致性的大小。
[0042]
3.本方法基于统计模型，实现方法简单：在特征提取阶段不需要进行大量机器学习，生产环境中对原始数据进行数学计算后即可带入模型进行风险识别。
[0043]
4.本方法可以进行实时计算：计算每个时刻的差异值时，仅需要该时刻点前历史观察窗口l和历史影响窗口l的历史数据。
[0044]
下面结合说明书附图和具体实施例对本发明作进一步说明。
附图说明
[0045]
图1为本方法实施例的故障车折线分析图；
[0046]
图2为本方法实施例正常车的折线分析图；
[0047]
图3为本方法实施步骤流程图。
具体实施方式
[0048]
电池包由于其固有的理化性质产生电池单体稳定的不一致性，其在参数的数据特征上通常表现为电压极值出现在固定的数个电池单体上，极差的大小一般符合高斯分布，分析电池包内部的异常状态，就是分析电池包内电池单体不一致性的异常变化，即识别随时序新出现的极值电池单体和极差的异常增大。
[0049]
参见图1至图3，一种新能源汽车电池系统的单体差异风险智能识别方法，依据国
标gb/t32960规定的soc、充电状态、最高电压电池单体代号、电池单体电压最高值、最低电压电池单体代号、电池单体电压最低值供六项数据，通过统计极差及极差出现的电池单体、构建差异矩阵，结构化差异特征；在观测窗口内对极差矩阵进行累积，消除异常值的影响；利用历史影响窗口内的平均值对其进行方所，突出一致性异常变化；构建安全风险信号，计算得到安全风险特征向量；构建逻辑回归模型，实现安全风险智能识别。
[0050]
具体步骤如下：
[0051]
1)数据采集：实时采集车辆运行中的六项运行参数soci(i时刻的电池电量)，statusi(i时刻的充放电状态)，umaxi(i时刻的最高电压值)，umini(i时刻的最低电压值)，smaxi(i时刻的电压最高单体序号)，smini(i时刻的电压最低单体序号)，以上数据均为具有时标的时变数据。
[0052]
2)电池单体不一致性特征结构化：定义极差矩阵am×n：
[0053]am
×n＝(a
ij
)∈rm×n[0054]
其中
[0055]
式中，m表示电池包中电池单体的数量，n表示有效数据的数量，a
ij
表示极差矩阵第i行第j列的元素，rm×n表示实数。
[0056]
3)电池单体不一致性的量化：
[0057]
3-1)设定历史观察窗口长度l，用于观察模式可时观察窗口内的历史数据，构建长度为2l，标准差为σ＝2l/3.75的一阶半高斯滤波器，计算公式如下，
[0058]
f＝(f1,f2,
…
,f
l
),其中
[0059]
因为需要参考每个时刻及其前l-1个时刻的值构建差异矩阵，同时需要距离当前时刻越近，权值越高，所以构建长度为2l的高斯滤波器、取其左半部分作为权值；
[0060]
3-2)将极差矩阵与滤波器f做卷积，得到用于反映电池包当前不一致性的差异矩阵dm×n＝cov(a,f)，计算公式如下，
[0061][0062]
式中，d
ij
表示差异矩阵第i行第j列的元素，fi表示滤波器的第i个元素，a
i+1-k,j
表示极差矩阵第i+1-k行第j列的元素，l表示历史观察窗口长度。
[0063]
4)电池单体不一致性的异常改变识别：
[0064]
4-1)设定历史影响窗口长度l，计算窗口内l条有效数据的平均值和标准差，计算公式如下：
[0065]
[0066][0067]
式中，l表示历史影响窗口长度，avgm×n表示历史影响窗口内l条数据的均值，d
i+1-k,j
表示差异矩阵第i+1-k行第j列的元素，sm×n表示历史影响窗口内l条数据的标准差，σ
ij
表示标准差第i行第j列的元素；
[0068]
4-2)基于历史影响窗口内l条数据的均值和标准差实现对差异矩阵的放缩，将每个差异矩阵的值减去对应的均值，再加上3倍标准差，得到相对差异矩阵d
′
，计算公式如下，
[0069][0070]
式中，d
′
ij
表示相对差异矩阵第i行第j列的元素，d
ij
表示差异矩阵，x
ij
表示历史影响窗口内l条数据的均值，s
ij
表示历史影响窗口内l条数据标准差。
[0071]
5)不一致性安全风险的特征信号构建：对第i个电芯，根据数据采样频率设定其第j个时刻的安全风险信号为α
ij
，计算安全风险信号的信号特征；
[0072]
根据统计规律，大多数起火事故的原因都是个别电池单体发生内短路，容易发生在第soc下放电、高soc下充电这两种工况下，因此结合此时该电芯的安全风险信号的信号特征和soc、充放电状态，得到其安全风险特征向量α
ij
。
[0073]
6)电池系统安全风险的风险智能识别：使用事故车的问题电芯事故前3小时的安全风险特征作为风险训练集，使用正常车的电芯和事故车的正常电芯的安全风险特征向量作为安全训练集，训练逻辑回归分类模型，从而实现电池系统安全风险的风险智能识别。
[0074]
实施例1，新能源汽车电池系统的单体差异风险智能识别分析如下：
[0075]
1.获取已经发生起火事故的某车型新能源汽车事故车和正常车全生命周期的数据，已知该车型有120个电池单体，数据采集频率fs为0.1hz，得到其运行参数包括：i时刻的电池电量soci，i时刻的充放电状态statusi，i时刻的最高电压值umaxi，i时刻的最低电压值umini，i时刻的电压最高单体序号smaxi，i时刻的电压最低单体序号smini；
[0076]
2.构建极差矩阵am×n；
[0077]
3.根据经验设定观察窗口为10分钟，于是设定l＝10*60*fs＝60，得到滤波器f；
[0078]
4.依据am×n和fs得到差异矩阵dm×n；
[0079]
5.依据经验，设定历史影响窗口为7天，该车每天用车时间约2小时，于是设定l＝7*2*60*60*fs＝5040，计算得到均值矩阵avg；
[0080]
6.依据公式计算得到相对差异矩阵d
′
，依据d
′
绘制折线统计图，折线图的横坐标表示时间(unix时间戳)，纵坐标为差异矩阵d
′
的值，每条折线对应电池包的一个电池单体，分别对事故车和正常车对其进行分析，
[0081]
如图1所示：该车45号和74号电池单体的差异值在事故前异常升高，如图2所示，该车的不一致性较稳定，没有突然的变化，且差异值数值较小，这样的差别可以通过计算信号的统计学特征和信息学特征表现出来；
[0082]
7.基于各时刻各电芯30分钟内，共30*60*fs＝180个相对差异值构建安全风险信号，并依据公式计算信号的均值、标准差、峰度、整流平均值、波形因子、峰值因子、信息熵，
结合对应时刻的soc和充放电状态，得到安全风险特征向量；
[0083]
8.使用同车型多台事故车的问题电芯事故前3小时的安全风险特征作为风险训练集，使用同车型多台正常车的电芯和事故车的正常电芯的安全风险特征向量作为安全训练集，训练逻辑回归分类模型，进一步基于得到的模型实现电池系统安全风险的风险智能识别。