技术特征：
1.一种新能源汽车电池系统的单体差异风险智能识别方法，其特征在于具体步骤如下：1)数据采集：实时采集车辆运行中的六项运行参数soc
i
(i时刻的电池电量)，status
i
(i时刻的充放电状态)，umax
i
(i时刻的最高电压值)，umin
i
(i时刻的最低电压值)，smax
i
(i时刻的电压最高单体序号)，smin
i
(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；2)电池单体不一致性特征结构化：定义极差矩阵a
m
×
n
：a
m
×
n
＝(a
ij
)∈r
m
×
n
其中式中，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，r
m
×
n
表示m行n列的实数矩阵；3)电池单体不一致性的量化：3-1)根据历史观查窗口l，设置滤波器f；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d
m
×
n
＝cov(a,f)，计算公式如下，式中，d
ij
表示差异矩阵第i行第j列的元素，f
i
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；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，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；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
)，结合此时的soc和充放电状态，得到其安全风险特征向量α
ij
，其中：：a
ij
＝(d
′
i,j-600*fs+1
,d
′
i,j-600*fs+2
,
…
,d
′
i,j
)，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。2.根据权利要求1所述的一种新能源汽车电池系统的单体差异风险智能识别方法，其特征在于：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，f＝(f1,f2,
…
,f
l
),其中式中，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。3.根据权利要求1所述的一种新能源汽车电池系统的单体差异风险智能识别方法，其特征在于：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，特征在于：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，式中，l表示历史影响窗口长度，avg
m
×
n
表示历史影响窗口内l条数据的均值，s
m
×
n
表示历史影响窗口内l条数据的标准差。4.中根据权利要求1所述的一种新能源汽车电池系统的单体差异风险智能识别方法，其特征在于：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，平均值、波形因子、峰值因子、信息熵，按以下公式计算，平均值、波形因子、峰值因子、信息熵，按以下公式计算，平均值、波形因子、峰值因子、信息熵，按以下公式计算，平均值、波形因子、峰值因子、信息熵，按以下公式计算，平均值、波形因子、峰值因子、信息熵，按以下公式计算，平均值、波形因子、峰值因子、信息熵，按以下公式计算，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。
技术总结
一种新能源汽车电池系统的单体差异风险智能识别方法，该方法依据国标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。本发明所述方法具有实时性高，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的优点。点。点。
技术研发人员：杨若浩 刘惠强 徐明禹 钟灵杰 姜国翠 钟波
受保护的技术使用者：重庆电信系统集成有限公司
技术研发日：2022.10.21
技术公布日：2022/12/19