一种电动汽车锂离子电池组热失控风险识别方法

本发明属于电动汽车用锂离子电池故障诊断，具体涉及一种电动汽车锂离子电池组热失控风险识别方法。

背景技术：

1、在新能源汽车动力电池系统在实际使用过程中，包括热滥用、电滥用和机械滥用等的滥用行为常会引发热失控，若处理不当很有可能诱发严重安全风险，因而对电池系统热失控及时实现识别尤为重要。目前，现有的电池热失控识别主要包括基于规则、基于模型和基于数据驱动的方法三类。其中，基于规则的方法算法简单、计算效率高，但是预设的阈值需要经验来不断调试，同一阈值无法在不同类型的电池组间实现通用；基于模型的方法依赖于系统模型的建模准确性，对建模误差的鲁棒性差，且该类算法性能仅在实验室和仿真条件下进行验证，未充分考虑实车行驶复杂多变的工况；基于数据驱动的方法通过结合实车在云端数据平台存储的动力电池运行监测数据构建统计学特征，结合机器学习方法对电池组中的异常单体电池进行异常识别，并通过数据特征量化动力电池的热失控风险，相对前两种方法具有较为明显的优势，但仍存在诸多需要解决的问题。由于实车数据的特征多源、异构且与热失控关联性差异较大等特点，现阶段进行特征筛选时仍主要依靠手动试错，缺乏高效率自动地对特征进行有效性分析，特征与热失控风险强关联性难以满足要求；同时数据驱动的方法本身对算力要求较高，而实车行驶过程中采集的实时数据却更容易受到噪声影响，故对每个时间帧实时的处理使得电池管理系统计算负载居高不下，且风险识别结果的准确性也会受噪声影响。例如，中国专利cn116184229a、cn115166533a、cn116125290a、cn111812535a中都明显存在上述的问题，并且其使用到的soc、soh等数据项无法通过测量直接采集，会进一步增大了计算量负担，所提取的温度数据项通常也并不能反映电池表面真实温度。因此，本领域迫切需要一种数据特征筛选效率高、计算负载低且降低数据采集噪声影响的热失控风险识别方法。

技术实现思路

1、有鉴于此，针对本领域中存在的技术问题，本发明提供了一种电动汽车锂离子电池组热失控风险识别方法，具体包括以下步骤：

2、步骤一、提取若干辆已发生单体电池热失控的电动汽车全生命周期中最后一个停车充电周期的单体电压时间序列数据v，并对每个单体的单体电压时间序列添加表示安全或故障状态的分类标签得到分类标签集y；

3、步骤二、利用tsfresh自动化特征工程工具提取每个单体电池电压时间序列的多项特征数据组成特征集f，将其与分类标签集y共同构建为训练集；利用训练集对随机森林模型进行训练，输出决策树中分类标签为安全状态的各特征分裂时得到的信息增益总和fa，用于反映各特征的实际重要度；

4、步骤三、对分类标签集y做k次随机打乱后得到一新的分类标签集y1，将其与特征集f重新构建训练集并再次训练随机森林模型，输出分类标签被打乱后的各特征分裂时得到的信息增益总和fn，用于反映各特征在分类标签被打乱情况下的重要度；

5、步骤四、基于步骤二和三的得到的各特征重要度进行特征筛选，保留热失控风险的若干强关联特征；

6、步骤五、针对待检测电动汽车提取其由热失控所导致的事故发生前，最后一个停车充电周期的单体电压时间序列数据，提取由各强关联特征值组成的特征样本集fs；对特征样本集fs执行聚类算法，输出聚类后各单体对应的安全状态或存在热失控风险分类标签，用于对存在热失控风险的单体电池实现自动标记定位；

7、步骤六、建立高斯混合模型用于计算特征样本集fs中的各项特征的分布的概率似然；将待检测电动汽车全生命周期中任意第k个停车充电周期的单体电压时间序列数据输入高斯混合模型计算后，设定所有单体电池的特征样本对数似然最大的单体作为参考单体电池；计算其他单体电池的特征样本与参考单体电池之间的欧氏距离作为风险特征距离；遍历待检测电动汽车全生命周期中的k个停车充电周期的各单体电池累积风险特征距离，并设定相应阈值；

8、步骤七、根据风险特征距离、累积风险特征距离的变化趋势，判断热失控风险单体首次发生风险的时间及后续的风险演变规律。

9、进一步地，步骤一中提取的所述单体电压时间序列数据v具体采用以下矩阵形式：

10、

11、式中，m是电动汽车电池组中单体电池的数量，t是该充电周期时间序列的数据长度，数据的采集频率为10s/帧；

12、为每个单体电池的单体电压时间序列添加表示安全或故障状态的分类标签yi(i∈m)，得到以下分类标签集y：

13、y＝[y1,y2,...,ym]t

14、若任意单体电池为热失控事故单体电池，则其标签为1；若为安全单体电池，则标签为0。

15、进一步地，步骤二中利用所述利用tsfresh工具具体提取出每个单体电池电压时间序列的785项时频域特征数据，得到以下特征集f：

16、

17、式中，fmn表示m号单体电池电压时间序列的第n项特征；

18、基于所述特征集f与分类标签集y共同构建得到以下训练集d用于训练随机森林模型：

19、

20、在步骤三中将分类标签集y随机打乱得到新的分类标签集y1后构建训练集d1＝[f,y1]用于再次训练随机森林模型。

21、进一步地，步骤四中基于所述信息增益fa和fn并采用以下重要度评分公式来筛选热失控风险强关联特征：

22、

23、式中，percentile(fn,0.75)表示fn的75％分位数；

24、筛选保留特征集f中重要度得分imp_s大于0的w个特征项作为热失控风险强关联特征fs：

25、fs＝[fs1,fs2,...,fsw]。

26、进一步地，步骤五中针对待检测电动汽车提取出以下由各强关联特征值组成的特征样本集fs：

27、

28、式中，fsmw表示该热失控电动汽车的m号单体电池电压时间序列数据的第w项热失控风险强关联特征；

29、对fs进行聚类具体采用以下聚类算法模型：

30、首先，设置密度聚类模型的ε邻域参数范围列表和minpts参数，遍历ε邻域参数范围列表，构建设置不同的ε邻域参数的聚类模型；

31、之后将fs输入到不同的ε邻域参数的聚类模型中，通过以下公式计算各模型的轮廓系数s：

32、

33、

34、式中，s(i)表示第i个单体电池样本的轮廓系数；a(i)表示同一聚类簇内的不相似度，即该簇内所有样本到同簇内其他点的不相似度的平均值；b(i)表示不同聚类簇间的不相似度，即同一聚类簇中的所有样本到其他簇的平均不相似程度的最小值；

35、轮廓系数取值范围是[-1,1]，越接近1说明该聚类算法的评分越高，聚类效果越好。选取轮廓系数最高的聚类模型，输出其经过聚类之后对单体电池的标记结果ycluster，如以下公式所示：

36、ycluster＝[yc1,yc2,...,ycm]t

37、式中，yci表示该电动汽车的i号单体电池的热失控风险标签，若yci＝-1，表示聚类算法将该单体电池标记为热失控风险单体电池；若yci＝0，则表示聚类算法将该单体电池标记为安全单体电池。由此即实现了对存在热失控风险的单体电池的自动标记定位。

38、进一步地，步骤六中建立的高斯混合模型具体以p(x|θ)描述热失控风险强关联特征集fs中各项特征分布的概率密度；其中，x表示统计样本的观测量，θ表示x所服从的分布，由g簇高斯分量组合而成；簇数g具体基于aic和bic准则确定最优值，θ的参数通过期望最大化法迭代获得；

39、所述高斯混合模型针对任意输入的第k个充电周期序列中各单体电池电压序列的统计特征，通过期望最大化法迭代获得具体分布参数：计算观测量xi来自第i簇高斯分量的概率，使得概率似然的对数达到最大，迭代计算使该算法收敛，最终获得各高斯分布θk及其对应权重αk；将所有单体电池的特征样本对数似然最大的r号单体作为参考单体电池，其各项热失控风险强关联特征集表示为：

40、fsr＝[fsr1,fsr2,...,fsrw]

41、

42、其他单体电池的各项热失控风险强关联特征则表示为：

43、fsi＝[fsi1,fsi2,...,fsiw]

44、计算其他单体电池样本与参考单体电池样本之间的欧式距离：

45、

46、执行以下归一化处理得到范围在[0,1]内的风险特征距离：

47、

48、dsk＝[dsk1,dsk2,...,dskm]

49、遍历待检测电动汽车全生命周期中的k个停车充电周期得到以下风险特征距离矩阵dsk：

50、

51、相应的单体电池i的累积风险特征距离通过以下公式计算得到：

52、

53、进一步地，针对使用相同电池的不同电动汽车车型，通过以下归一化处理计算标准化累积风险特征距离以适应不同车型热失控风险识别的需要：

54、

55、上述本发明所提供的电动汽车锂离子电池组热失控风险识别方法，首先筛选出电池组所有单体电池充电周期的热失控风险强关联数据特征，再利用高斯混合模型计算每个单体电池样本相对于参考样本的风险特征距离和累积风险特征距离，基于累积风险特征距离阈值即可作为热失控风险有效识别的量化指标。还可对风险特征距离及累积执行标准化处理，从而使所确定的风险识别量化指标对于不同类型的电动汽车动力电池组均具有较高通用性。