一种监测新能源车辆的电池包的稳态方法与流程

1.本发明涉及电池包检测领域，具体为一种监测新能源车辆的电池包的稳态方法。


背景技术：

2.而对于新能源车辆上的电池包，其均是通过电池管理系统（bms）对整个充电组的电池包的情况进行精密跟踪和预测，从而控制一批电池的电荷量和电压相对均匀。
3.需要说明的是，目前的充电桩和电池管理系统（bms）是独立运行的，电池管理系统（bms）分区管理时无法感知车辆电池排布及热管管路的真实散热逻辑。


技术实现要素：

4.为了解决上述技术问题，本发明的目的在于提供一种监测新能源车辆的电池包的稳态方法，所采用的技术方案具体如下：本发明提供的一种监测新能源车辆的电池包的稳态方法的技术方案，包括以下步骤：获取充电过程的电池包中每个电池单元的电荷量和温度，并选取电池包中心的电池单元，基于电池包的形状，以该电池单元为中心向外扩张一圈，得到对应圈的电荷量和温度，依次类推，采用回行访问的方式，得到每圈的电荷量和温度；基于各圈的电荷量和温度，计算每圈的稳态均衡指标，进而得到所有圈的n维稳态向量；对n维稳态向量进行相空间重构，得到新的m维数据序列；将所述m维数据序列输入到训练好的神经网络模型，输出未来的预测电池包的稳态监测数据；计算所述稳态监测数据与历史记录中任一稳态情况的预测向量差异性，根据所述预测向量差异性，确定所述稳态监测数据的亲缘性，当所述亲缘性小于设定值，则电池包的状态不稳定。
5.优选地，所述稳定均衡指标为：其中，为第j圈的累计电荷量，为第j圈的累计温度，n为采样的总圈数。
6.优选地，所述神经网络模型为lstm神经网络模型。
7.优选地，所述预测向量差异性是通过先获取该电池包在历史距离中的任意稳态情况，后利用余弦相似度计算稳态监测数据与历史记录中任一稳态情况的相似度计算得到的。
8.优选地，所述亲缘性是通过将预测向量差异性按照从小到大排序，选取前k个预测向量差异性，将前k个预测向量差异性的均值的倒数得到的。
9.本发明的有益效果：本发明面向的直流充电桩充电过程系统由于电池包结构问题，容易引起边缘效应及充电不平衡现象，从而通过采集电池包的累计温度以及累计电荷量，根据两者的数据，并引入相空间方法对电池包充电过程中的异常情况进行相空间重构，进行电池包的温控异常的分析，从而对电池包的稳态进行判定，为后续的充电停止或降低充电功率提供了依据。
附图说明
10.为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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它附图。
11.图1是本发明的一种监测新能源车辆的电池包的稳态方法的方法流程图。
具体实施方式
12.为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明的方案，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
13.除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
14.具体地，对本发明提供的一种监测新能源车辆的电池包的稳态方法进行介绍，请参阅图1所示，包括以下步骤：步骤1，获取充电过程的电池包中每个电池单元的电荷量和温度，并选取电池包中心的电池单元，基于电池包的形状，以该电池单元为中心向外扩张一圈，得到对应圈的电荷量和温度，依次类推，采用回行访问的方式，得到每圈的电荷量和温度。
15.其中，电池包的电池组态一般是先并联、再串联，以电芯为最小单元来看，可以避免一定程度的充电不平衡问题。因此本实施中是以先并联、再进行串联的若干电芯视为一个电池单元进行电池包稳态的研究。
16.电池包的每个电池单元由bms管理系统获得当前单元的累计电荷量，此方法在行业内常称为库仑计。而电池包的每个电池单元都有独立的温控传感器，用于采集当前一个电池单元的总体温度。
17.为了分析电池包的每个电池单元，本发明采集各电池单元的累计电荷量矩阵和温度矩阵进行充电过程中局部充电均一与否的平衡性指数的计算。
18.其中，累计电荷量矩阵和温度矩阵的获取过程为：首先，对每个电池单元同时读取以下传感器读数：读取经照射紫外线后的电池单元电荷量数值，单位为mwh；读取电池单元附近的温度值，单位为摄氏度。
19.其次，基于电池包的形状构建样本矩阵，得到充电过程的累计电荷量矩阵和温
度矩阵基于累计电荷量矩阵和温度矩阵，以回字形进行各电池单元的传感器读数的访问：具体地，从中心的最小单元，例如2x2，向外扩张一圈，得到外圈的样本，以此类推，得到每圈的样本，并得到累计电荷量和温度。
20.上述中，基于回字型访问的原因是：一般的电池散热管路是之字形的，由于管路较长，且中心位置和边缘位置的散热环境不同。
21.由于电池包刚性较佳，一般的车辆会借助电池包的结构将电池包与底盘结合到一起，因此长时间的高负载驾驶、或车辆发生意外碰撞时，会导致电池单元与散热的结构贴合性降低。
22.对于较热环境的电池组，内外圈的电池单元分析方式更能够代表热量堆积、结构损坏。
23.需要说明的是，当一圈的宽或高无法继续外扩时，保持宽或高不变。同时，由于电池包是一个均匀导热的封装整体，但由于电池包的高度集成化和频繁使用，可能会导致电芯的某一部分无法很好地贴合电池组的导热框架，从而导致电池组的充电过程进程和温度不统一，因此，需要对电池包的电池单元进行回字型访问，获取内外圈的温度。
24.基于每次访问一圈，可以得到一圈的累计电荷量和温度的读数，其中j为每圈的索引号。
25.步骤2，基于各圈的电荷量和温度，计算每圈的稳态均衡指标，进而得到所有圈的n维稳态向量；对n维稳态向量进行相空间重构，得到新的m维数据序列。
26.其中，本实施例中的稳态均衡指标为：其中，为第j圈的累计电荷量，为第j圈的累计温度，n为采样的总圈数。
27.上述公式中，f为对角采样函数，f每次采集一个元素以及该元素绕中心对称的对角方向的对向元素，由于充电过程受bms管理系统的调节，且环境应当是统一的，因此累计电荷量读数所反映的进程也应当是尽可能的统一；代表了所有两个电池单元相差的累计电荷量读数的均值。
28.至此，基于每圈得到n维稳态向量u：。
29.需要说明的是，当该均值较大时，意味着进程不统一，从而扩大温度不统一的标准差，体现充电过程中的电池包的稳态均衡指标；当该指数过大时，意味着电池包的一圈无法很好地均一充电，体现局部的差异较大的现象。
30.本实施例中，n维稳态向量能够表征：电池由bms所管控后的电荷量情况；以及电池单元当前的充电及发热状态相对于电池包回型结构的充电及发热状态。
31.本实施例中，对n维稳态向量进行相空间重构，得到新的m维数据序列的过程为：
首先，将n维稳态向量u记为稳态监测时间序列。
32.其次，利用改进的c-c法求解处理后的稳态监测数据序列的最佳延迟时间和嵌入维数，根据最佳延迟时间和嵌入维数，利用延迟坐标法将稳态监测时间序列重构到m维相空间中，具体方法为：对稳态监测时间序列，定义嵌入时间序列的关联积分为：，其中，i为时间序列点数，m为重构相空间中每维的点数，r为定义的空间半径，z()为阶跃函数，、为稳态监测时间序列重构相空间中的两个点向量；然后，构造检验统计量：计算上式的过程，使用分块平均策略，且令i趋于正无穷时：选择对应检验统计量值最大和最小时的两个空间半径[]，两个半径之间没有必然的大小关系，定义和在相同的和下对变化快慢的量分别为、、根据bds统计定理得到的合理估计，取、、，为时间序列的标准差，=1，2，3；计算：再者，在对应检验统计量的基础上比较和，在第3步中，固定，当i趋于正无穷时，将随着的增大而出现不断增长的高频波动，而在相同
条件下，总体上和有着相同的起伏规律，但去除了的高频波动，改进的c-c法通过选取的第一个局部最小值作为最优时延；另外，对于伪周期为t的稳态监测时间序列，当固定趋于正无穷时，，即是的局部极大值点又是的零点，c为大于零的整数，因此周期点存在比较明显的局部峰值，寻找周期点作为最优嵌入窗1；通过公式，求得嵌入维数m；最后，通过求出的，利用延迟坐标法将初始的重构到m维相空间中，其矩阵序列表达式如下：，其中，m’为延迟向量个数，。
[0033]
至此，将预处理的经过相空间重构得到了一个新的m维数据序列。
[0034]
需要说明的是，以上是充电桩对一个车辆型号进行充电过程的相空间跟踪，得到新的m维数据序列的过程，新的m维数据序列能够代表充电过程的温度、充电不均匀的模式特征。
[0035]
本发明面向的直流充电桩充电过程系统由于锂电池原理和电池包结构问题，容易引起边缘效应及充电不平衡现象。由于充电过程的分布式温度具有一定的系统惯性，且整个系统是按照一种相互传导的趋势来演变的，因此引入相空间方法对异常情况进行相空间重构，基于跟踪函数进行温控异常的分析。
[0036]
本发明对平衡性指数进行特征化处理，后对其充电过程的温度和累计电荷量的演变按照极坐标方式作空域展开，从而实现一种改进的空间弯曲（wrapping）效应。
[0037]
一般的相空间重构是均匀嵌入方式，但不能适用于充电过程的阵列数据，因此基于局部结构可以分析边缘效应及充电不平衡现象，使得阵列中的温度不均匀现象能够连续地被表示出来其系统性演变的规律。因此通过构建相空间，使得稳态均衡指标的可以作为充电过程质量所有可能状态的空间，本实施例中的最小分析间隔是人为设定的，本实施例为20秒。
[0038]
步骤3，将所述m维数据序列输入到训练好的神经网络模型，输出未来的预测电池包的稳态监测数据。
[0039]
本实施例中，将稳态监测时间序列进行相空间重构得到ｍ维数据序列，并将该数据作为lstm模型的训练集和测试集；将ｍ维数据序列输入lstm模型中进行训练，lstm模型使用bptt反向传播算法进行计算，其中平均平法误差mes作为损失函数。至此，得到预测的稳态监测数据。
[0040]
至此，通过回字型将稳态均衡指标合成一个稳态监测时间序列，然后将此新序列
进行相空间重构，重构完的m维数据序列通过lstm神经网络算法进行预测未来的稳态监测数据。
[0041]
需要说明的是，lstm神经网络模型的训练过程为现有技术，此处不再赘述。
[0042]
步骤4，计算所述稳态监测数据与历史记录中任一稳态情况的预测向量差异性，根据所述预测向量差异性，确定所述稳态监测数据的亲缘性，当所述亲缘性小于设定值，则电池包的状态不稳定。
[0043]
需要说明的是，通过实时预测的稳态监测数据，能够预测到电池包的稳态特征，由于充电过程的系统是具有热惯性的，因此要对偶发的异常特征进行分析，并提前降低充电功率，从而控制稳态指标变差的问题，杜绝安全隐患。
[0044]
因此记录一段时间内稳态监测数据，并构建充电稳态假设空间，从而分析每个集群的性能状态：对于当前时刻p的稳态监测数据和历史记录中任一稳态情况q，存在相空间预测向量差异性：其中，为第p时刻的稳态监测数据，为历史记录中的第q时刻的稳态情况。
[0045]
上述中的历史记录中任一稳态情况，是采集的历史数据，根据上述方法获取的稳态监测数据，也即稳态情况。
[0046]
进一步地，由于充电情况是稳定变化的，因此存在集合满足至少有k个记录中电池包的稳态监测数据与稳态监测数据相似，因此按照从小到大的顺序，对预测向量差异性进行排序，选取前k个预测向量差异性，计算充电过程的k-近邻的稳态监测数据的亲缘性：。
[0047]
因此，当电池包充电时，预测的与一段时间的历史记录中存在明显相似时，电池包的稳态特征和与历史情况的亲缘性越高，反之意味着亲缘性低，意味着该时刻的电池包情况“独特”，此时控制直流充电桩回落到一个安全的充电功率，直到后期的与一段时间的历史记录中存在明显相似。基于该逻辑可以动态减轻电池包的不平衡稳态所导致的状态不稳定，防止出现不可靠的充电状态。
[0048]
以上所述实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围，均应包含在本技术的保护范围之内。