CN110133508A - 电动汽车动力电池的安全预警方法 - Google Patents

Abstract

本申请公开了一种电动汽车动力电池的安全预警方法，从电池性能衰减程度和可能发生的故障两个角度对电池的安全性进行综合评估，给出安全性的等级。电池性能衰减采用了基于粒子滤波的退化模型预测方法，通过对模型参数的估计，预测出当前电池的剩余寿命，结合电池的健康状态，给出电池的衰退指数；采用基于BP神经网络的方法，以电池BMS系统的历史和实时数据为输入，抽取与各类关键故障相关的状态，预测各类故障发生的可能性。两方面的安全评估结果融合后，给出综合性的安全预警信息。与当前对动力电池仅从剩余寿命或健康状态角度对电池的安全性进行评估的方法相比，可以给出更为可靠的评估结果。

Description

电动汽车动力电池的安全预警方法

技术领域

本申请属于新能源汽车技术领域，特别是涉及一种电动汽车动力电池的安全预警方法。

背景技术

随着新能源车保有量的持续增长，动力电池的需求量也随之加大。锂离子电池系统已经成为电动汽车和分布式微电网储能系统中不可或缺的组成部分。尽管电池的制作工艺和封装水平不断进步，伴随着动力电池制造工艺水平和车辆运行工况不确定的因素，动力电池在运行中不可避免会出现电压过高或过低，电流过大或过小，温度过高或过低等状态，使用过程中恶劣的操作环境、老化、滥用等，近而导致相关故障的发生。未经检测的电池故障会对电池产生不利影响，造成不可逆转的损坏，甚至在极端情况下会发生灾难性事故。因此，及时准确地对电池运行中的故障进行诊断是十分重要的。

电池的管理与诊断是电池应用技术中的核心之一，及时、准确地诊断电池故障、保证电池容量的准确估计，可以延长电池使用寿命、提高电池一致性及可靠性。在产生严重的故障之前，微小缓变故障往往提早发生，并一步一步演变为严重故障，因此，及时检测出早期缓变故障对于整车维护有着重要的现实意义。考虑到电池诊断的故障现象、故障原因及故障机理的复杂性和模糊性，难以借助确定的数学模型来描述，也难以借助确定性的特殊判据来诊断。

现有的基于数据驱动的剩余寿命预测和健康状态评估方法，以数据为基础，通过挖掘数据序列的特征和隐含信息进行分类和预测，方法主要有：支持向量机、人工神经网络、高斯回归、AR模型、卡尔曼滤波、粒子滤波等。

(1)支持向量机方法

SVM自身存在一些不足：支持向量的数目对误差边界敏感，惩罚因子和损失函数复杂，难以确定；预测结果缺乏不确定性表达能力。

(2)人工神经网络

神经网络具有容错性强、自适应、自学习的优点，但是其网络结构难以确定、计算效率低和收敛速度慢。

(3)高斯回归过程

高斯回归过程是基于贝叶斯框架与统计学习理论的非线性回归概率方法，适合于高维度、小样本的回归问题，缺点是但是超参数初始值敏感及计算量大的问题

(4)自滑动模型

AR模型是一种线性预测，计算简单、复杂度低，但长期预测不准确

(5)卡尔曼滤波、粒子滤波

卡尔曼滤波、粒子滤波都是贝叶斯框架下的预测方法，两者计算简单，卡尔曼滤波更适合线性高斯情况，而粒子滤波可处理非线性非高斯场景，同时可以表达预测结果的不确定性。但目前仅应用于寿命预测，未对电池的安全性进行综合评价。

发明内容

本发明的目的在于提供一种电动汽车动力电池的安全预警方法，以克服现有技术中的不足。

为实现上述目的，本发明提供如下技术方案：

本申请实施例公开一种电动汽车动力电池的安全预警方法，包括：

s1、预测当前动力电池性能衰减程度；

s2、预测当前动力电池发生故障的类型；

s3、融合动力电池的性能衰减程度和发生故障的类型，输出安全等级评估结果。

优选的，在上述的电动汽车动力电池的安全预警方法中，当动力电池性能衰减到设定阈值后，输出不同层级的预警信息。

优选的，在上述的电动汽车动力电池的安全预警方法中，步骤s1包括：

建立锂电池的性能衰减模型；

根据衰减模型得到特定充放电周期的电池容量预测值；

利用容量预测结果计算电池的剩余寿命；

根据衰减指数得到当前充放电周期的性能衰减程度结果。

优选的，在上述的电动汽车动力电池的安全预警方法中，锂电池的性能衰减模型：

Q_k＝a_k·exp(b_k·k)+c_k·exp(d_k·k)，n_k～N(0，σ_n) (1)

锂离子电池系统状态转移方程及测量方程：

x_k＝[a_k，b_k，c_k，d_k] (2)

其中，a_k、b_k、c_k、d_k表示性能衰减模型的四个系数，Q_k是锂离子电池每个充放电周期的容量，N(0,σ)为零均值的高斯分布噪声，锂离子电池容量的估计值表示为：

优选的，在上述的电动汽车动力电池的安全预警方法中，步骤s1中，电池容量预测值计算包括以下步骤：

(1)初始化：k＝0时，假设初始样本服从高斯分布p(x₀)，在该分布中抽取初始样本集初始权值

(2)重要性采样：利用状态转移函数公式(1)进行重要性采样

(3)粒子权重计算：

(4)粒子重采样：根据粒子权值进行重采样

(5)状态估计：

重复执行(2)-(5)步骤得到每一周期的退化模型参数，利用当前周期的退化模型参数对后续周期的电池容量进行预测，得到预测容量Q_thres：

当Q_thres小于设定的剩余寿命阈值时，记录其周期数T_RUL，根据预测结果，利用公式(6)计算当前周期的衰减指数D_k

优选的，在上述的电动汽车动力电池的安全预警方法中，电池发生故障的类型包括电压不一致程度、电阻不一致、极化电压不一致、充放电电流变大、温度不一致、散热系统故障、电池内部短路、SOC不一致。

优选的，在上述的电动汽车动力电池的安全预警方法中，步骤s2中，基于BP神经网络训练故障预测模型。

优选的，在上述的电动汽车动力电池的安全预警方法中，故障预测模型的输入样本为电池电流，电压，绝缘电阻值，电池包温度构成的向量。

与现有技术相比，本发明的优点在于：

本发明的电动汽车动力电池的安全评估方法，从电池性能衰减程度和可能发生的故障两个角度对电池的安全性进行综合评估，给出安全性的等级。其中，电池性能衰减采用了基于粒子滤波的退化模型预测方法，通过对模型参数的估计，预测出每个充放电周期的电池容量变化情况，预测出当前电池的剩余寿命，结合电池的健康状态，给出电池的衰退指数；另一方面，采用基于BP神经网络的方法，以电池BMS系统的历史和实时数据为输入，抽取与各类关键故障相关的状态，预测各类故障发生的可能性。两方面的安全评估结果融合后，给出综合性的安全预警信息。与当前对动力电池仅从剩余寿命或健康状态角度对电池的安全性进行评估的方法相比，考虑更多的因素，给出更为可靠的评估结果。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，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地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，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他的附图。

图1所示为本发明具体实施例中电动汽车动力电池的安全预警方法的原理示意图；

图2所示为本发明具体实施例中基于BP神经网络预测的故障预测模型示意图。

具体实施方式

在以下描述中，出于解释目的，阐明具体细节以便提供对本发明的理解。然而，将对本领域的技术人员显而易见的是，可在没有这些细节的情况下实践本发明。此外，本领域的技术人员将认识到，下文描述的本发明的实施方式可以以各种方式(例如过程、装置、系统、设备或方法)在非瞬时计算机可读介质上实施。

附图中示出的组件或是模块是本发明实施方式的示例性说明，并且意图避免使本发明不清楚。还应理解，在本论述的全文中，组件可描述为单独的功能单元(可包括子单元)，但是本领域的技术人员将认识到，各种组件或其部分可划分成单独组件，或者可整合在一起(包括整合在单个的系统或组件内)。应当关注，本文论述的功能或操作可实施为组件。组件可以以软件、硬件、或它们的组合实施。

此外，附图内的组件或系统之间的连接并不旨在限于直接连接。相反，在这些组件之间的数据可由中间组件修改、重格式化、或以其他方式改变。另外，可以使用另外或更少的连接。还应关注，术语“联接”、“连接”、或“通信地联接”应理解为包括直接连接、通过一个或多个中间设备来进行的间接连接、和无线连接。

在本说明书中对“一个实施方式”、“优选实施方式”、“实施方式”、“多个实施方式”的提及表示结合实施方式所描述的具体特征、结构、特性或功能包括在本发明的至少一个实施方式中。另外，在本说明书的各个地方出现以上所提到的短语并不一定全都是指相同的实施方式或多个相同实施方式。

在本说明书的各个地方使用某些术语目的在于说明，并且不应被理解为限制。服务、功能或资源并不限于单个服务、单个功能或单个资源；这些术语的使用可指代相关服务、功能或资源的可分布或聚合的分组。术语“包括”、“包括有”、“包含”、“包含有”应理解为开放性的术语，并且其后任何列出内容都是实例，而不旨在限于所列项目。术语“图像”应理解为包括静态图像或视频图像。本文所使用的任何标题仅是为了组织目的，并且不应被用于限制说明书或权利要求的范围。本专利文献中提到的每个参考文献以其全文通过引用并入本文。

此外，本领域的技术人员应认识到，(1)某些步骤可以可选地执行；(2)步骤可不限于本文所阐述的特定次序；(3)某些步骤可以以不同次序执行；以及(4)某些步骤可同时地进行。

本实施例以数据驱动方法为基础，利用BMS采集的大量动力电池运行和EV工况数据，通过逐层特征提取进行安全评估。

针对缓变型电池性能衰减和突变型电池故障，本实施例以BMS系统中监测到的各种信号为输入，建立基于数据驱动的预测模型来提前预警，在故障发生前进行识别。本实施例利用机器学习和电化学分析相结合，以数据驱动的预测、分类为基础，在线实时评估动力电池性能衰减情况，同时对EV运行中每一时刻的电池状态是否出现异常预兆来对可能发生的电池故障提前预警，实现基于BMS历史和实时监控数据的动力电池安全性能综合评估。

整体的技术方案如图1所示，包括：

s1、锂离子电池容量缓变衰减评估；

s2、基于机器学习的电池突发故障安全预警；

s3、电池安全预警融合模型。

锂离子电池容量缓变衰减评估：

锂离子电池的性能会随着充放电次数的增加而发生退化，其退化表现在容量会随之减少，电池内部阻抗随之增加，充放电过程中的温度变化随之增加等等。本实施例基于粒子滤波和退化模型来离线训练锂电池的性能衰减模型，然后根据电池BMS系统的实时数据来对电池的衰退进行在线评估，当性能衰减到设定阈值后，进行不同层级的预警。具体过程包括：电池退化过程建模、单周期电池容量估计、电池容量衰减评估。

影响电池性能衰减的主要因素为工作温度，放电深度以及电流倍率。容量的退化建模是指在健康因子集中找到一个最优的关系函数f来描述健康因子与容量之间的关系。假设存在健康因子集D，则需要找到容量C与这些健康因子之间的关系函数f，使得C＝f(D)，则关系函数f就是容量的退化模型。容量作为表征电池寿命的标识，对其退化过程的建模也是准确描述锂离子电池退化的关键。

1、基于BMS的电池容量预测

采用电池母线电流的正负来区分充电电流与放电电流，进一步结合充电时多以恒流充电为起始充电方式，对充电状态和放电状态进行识别，从而实现充放电周期的划分。

在提取的锂离子电池的容量数据，以及BMS系统提供的电流、电压、温度等多种特征变量基础上，分析这些物理量与容量之间的关系，采用相关性分析技术分析他们之间线性相关程度。得到与容量数据强相关的健康因子集合D′。

2、锂离子电池衰减指数计算

锂离子电池的容量退化模型为：

Q_k＝a_k·exp(b_k·k)+c_k·exp(d_k·k)，n_k～N(0，σ_n) (1)

锂离子电池系统状态转移方程及测量方程：

x_k＝[a_k，b_k，c_k，d_k] (2)

其中，Q_k是锂离子电池每个充放电周期的容量，N(0,σ)为零均值的高斯分布噪声。锂离子电池容量的估计值表示为：

基于粒子滤波算法的电池容量预测包括以下步骤：

(1)初始化：k＝0时，假设初始样本服从高斯分布p(x₀)，在该分布中抽取初始样本集初始权值

(2)重要性采样：利用状态转移函数公式(1)进行重要性采样

(3)粒子权重计算：

(4)粒子重采样：根据粒子权值进行重采样

(5)状态估计：

重复执行(2)-(5)步骤得到每一周期的退化模型参数，利用当前周期的退化模型参数对后续周期的电池容量进行预测，得到预测容量Q_thres：

当Q_thres小于设定的剩余寿命阈值时，记录其周期数T_RUL根据预测结果，利用公式(6)计算当前周期的衰减指数D_k

3、在线锂离子电池性能衰减评估

得到当前时刻所在的充放电周期计数k，将第k个充放电周期中计算得到的电池容量输入容量预测模型，得到第k个周期的电池容量退化模型中的参数，并利用这些参数递推计算得到k+1,...k+n个周期的电池容量预测值，实现多步预测。利用容量预测结果计算电池的剩余寿命，然后根据衰减指数的计算公式得到当前周期的性能衰减评估结果。

基于机器学习的电池突发故障安全预警

1、电池组故障类型

如表1所示。

表1识别的故障类型

2、基于机器学习的故障预测

步骤1数据获取

利用BMS系统提供的故障在线诊断作为电池安全预警的故障标注来进行采集。

步骤2分类模型构建

1)分类模型

(a)输入：本实施例以电池电流，电压，绝缘电阻值，电池包温度构成的向量作为输入样本，x＝(I_c，U_B，R，T)，在本实施例中样本标签为l_m(m＝1,2,…,M)，其中标签类型包括：{0(正常状态),1(电压不一致),2(内阻不一致)，3(电流变大),4(温度不一致),5(内短路),6(SOC不一致),7(散热器故障)}。

(b)预测模型：构建BP神经网络，训练模型参数，得到是否故障的预测结果。

步骤3电池故障在线预测

将训练好的预测模型部署于BMS中，在本地实际获取的累计状态数据的基础上，在线构造测试样本x_t＝(I_c，U_B，R，T)，输入到预测模型中，采用softmax来进行分类结果的提取，即预测出的故障类型。参图2所示。

电池安全预警融合模型

利用电池衰退评估结果和电池突发故障预测结果作为安全预警模型的输入，采用决策树给出综合性的安全等级评估结果。

本发明的实施方式可以利用用于一个或多个处理器或处理单元以使步骤执行的指令在一个或多个非暂态计算机可读介质上编码。应注意，一个或多个非暂态计算机可读介质应当包括易失性存储器和非易失性存储器。应注意，替代实现方式是可能的，其包括硬件实现方式或软件/硬件实现方式。硬件实施的功能可使用ASIC、可编程的阵列、数字信号处理电路等来实现。因此，任何权利要求中的术语“手段”旨在涵盖软件实现方式和硬件实现方式两者。类似地，如本文使用的术语“计算机可读媒介或介质”包括具有实施在其上的指令程序的软件和/或硬件或它们的组合。利用所构想的这些替代实现方式，应当理解，附图以及随附描述提供本领域的技术人员编写程序代码(即，软件)和/或制造电路(即，硬件)以执行所需处理所要求的功能信息。

应当注意，本发明的实施方式还可涉及具有其上具有用于执行各种计算机实施的操作的计算机代码的非暂态有形计算机可读介质的计算机产品。介质和计算机代码可为出于本发明的目的而专门设计和构造的介质和计算机代码，或者它们可为相关领域中的技术人员已知或可用的。有形计算机可读介质的示例包括但不限于：诸如硬盘、软盘和磁带的磁性介质；诸如CD-ROM和全息设备的光学介质；磁光介质；以及专门配置成存储或存储并执行程序代码的硬件设备，例如，专用集成电路(ASIC)、可编程逻辑器件(PLD)、闪存设备、以及ROM和RAM设备。计算机代码的示例包括机器代码(例如，编译器产生的代码)以及包含可由计算机使用解释器来执行的更高级代码的文件。本发明的实施方式可整体地或部分地实施为可在由处理设备执行的程序模块中的机器可执行指令。程序模块的示例包括库、程序、例程、对象、组件和数据结构。在分布的计算环境中，程序模块可物理上定位在本地、远程或两者的设定中。

本领域的技术人员将认识到，计算系统或编程语言对本发明的实践来说均不重要。本领域的技术人员将还将认识到，多个上述元件可物理地和/或在功能上划分成子模块或组合在一起。

将理解，前文的示例、实施方式和实验是示例性的，并且出于清楚和理解的目的，而不限制本发明的范围。旨在说明的是，在本领域的技术人员阅读本说明书并研究附图后将对本领域的技术人员显而易见的本发明的所有替代、置换、增强、等同、组合或改进包括在本发明的范围内。因此，旨在说明的是，权利要求书包括落在本发明的真实精神和范围内的所有此类替代、置换、增强、等同、组合或改进，除非随附权利要求书以其语言来另外明确说明。应注意，随附权利要求书的元素可不同地布置，包括具有多个从属、配置和组合。例如，在实施方式中，各权利要求的主题可与其他权利要求组合。

Claims (8)

1.一种电动汽车动力电池的安全预警方法，其特征在于，包括：

s1、预测当前动力电池性能衰减程度；

s2、预测当前动力电池发生故障的类型；

s3、融合动力电池的性能衰减程度和发生故障的类型，输出安全等级评估结果。

2.根据权利要求1所述的电动汽车动力电池的安全预警方法，其特征在于，当动力电池性能衰减到设定阈值后，输出不同层级的预警信息。

3.根据权利要求1所述的电动汽车动力电池的安全预警方法，其特征在于，步骤s1包括：

建立锂电池的性能衰减模型；

根据衰减模型得到特定充放电周期的电池容量预测值；

利用容量预测结果计算电池的剩余寿命；

根据衰减指数得到当前充放电周期的性能衰减程度结果。

4.根据权利要求3所述的电动汽车动力电池的安全预警方法，其特征在于，锂电池的性能衰减模型：

Q_k＝a_k·exp(b_k·k)+c_k·exp(d_k·k)，n_k～N(0，σ_n) (1)

锂离子电池系统状态转移方程及测量方程：

x_k＝[a_k，b_k，c_k，d_k] (2)

其中，a_k、b_k、c_k、d_k表示性能衰减模型的四个系数，Q_k是锂离子电池每个充放电周期的容量，N(0,σ)为零均值的高斯分布噪声，锂离子电池容量的估计值表示为：

5.根据权利要求4所述的电动汽车动力电池的安全预警方法，其特征在于，步骤s1中，电池容量预测值计算包括以下步骤：

(1)初始化：k＝0时，假设初始样本服从高斯分布p(x₀)，在该分布中抽取初始样本集初始权值

(2)重要性采样：利用状态转移函数公式(1)进行重要性采样

(3)粒子权重计算：

(4)粒子重采样：根据粒子权值进行重采样

(5)状态估计：

重复执行(2)-(5)步骤得到每一周期的退化模型参数，利用当前周期的退化模型参数对后续周期的电池容量进行预测，得到预测容量Q_thres：

当Q_thres小于设定的剩余寿命阈值时，记录其周期数T_RUL，根据预测结果，利用公式(6)计算当前周期的衰减指数D_k

6.根据权利要求1所述的电动汽车动力电池的安全预警方法，其特征在于，电池发生故障的类型包括电压不一致、电阻不一致、充放电电流变大、温度不一致、散热系统故障、电池内部短路、SOC不一致。

7.根据权利要求1所述的电动汽车动力电池的安全预警方法，其特征在于，步骤s2中，基于BP神经网络训练故障预测模型。

8.根据权利要求7所述的电动汽车动力电池的安全预警方法，其特征在于，故障预测模型的输入样本为电池电流，电压，绝缘电阻值，电池包温度构成的向量。