CN113253113A - 一种动力电池一致性故障的预测方法 - Google Patents

Abstract

本发明公开一种动力电池一致性故障的预测方法，包括步骤1，对触发过一致性故障的车辆数据通过基于密度的聚类算法进行分区，分成不同的区间；步骤2，将各区间划分成不同的工况；步骤3，构建基于余弦相似度的电池单体一致性差故障预测模型；步骤4，实时预测。该方案通过对大数据终端平台的大量数据进行即时的深入分析和挖掘，不仅有效利用了大数据终端平台海量数据，并能从不同工况有针对性地出发考虑，进行电池一致性预测，提高了预测的准确性，降低误识率。

Description

一种动力电池一致性故障的预测方法

技术领域

本发明涉及动力电池领域，具体涉及动力电池一致性故障的预测方法。

背景技术

近年来，随着人们对环境和能源问题的日益关注，新能源车作为一种低碳车越来越受到人们的关注和青睐。电池作为电动汽车至关重要的组成部分，其直接影响着整个电动车各方面的性能，但同时电池也是最易发生故障的部分。电池系统出现故障往往是其中某一个或某几个电池单体性能上出现了问题，因此动力电池组一致性好坏直接影响到电动汽车的使用寿命、续航里程和整车安全等方面。

目前对动力电池一致性故障预测常用的方法是，整车在运行过程中会通过电池管理系统 (BMS)采集计算出整车实时状态下的动力电池系统压差，统计所有发生一致性报警时刻的压差值(最高单体电压与最低单体电压之差)，取最小值作为阈值，只要大于此阈值，则理论上便能识别并预测到即将发生的报警。但是此预测方法存在如下不足，首先，误识率较高。通过研究实际车辆数据，会发现在未报警时刻，仍然会有很多时刻的压差值超过此阈值，而系统却并没有报警。其次，不同的工况会影响到电池的充放电情况，此方法没有考虑到车辆的各种运行工况，而是采用统一的一个阈值来进行判断，考虑不全面。再次，BMS只采集一段时间的电池包数据，无法存储大量的历史数据，而如今，电动汽车上安装了许多相应功能的传感器采集车辆运行及电池的各种状态，然后通过网络传输到各个电动汽车大数据终端平台，目前甚少有通过深入分析和挖掘这些大量的历史数据来进行一致性故障预测的方法。

发明内容

本发明的目的是提供一种动力电池一致性故障的预测方法，它利用大数据终端平台的大量数据进行即时的深入分析和挖掘，从不同工况有针对性地确定报警阈值，预测电池一致性故障，由此提高预测的准确性，降低误识率。

本发明所述的一种动力电池一致性故障的预测方法，其步骤如下：

1，通过基于密度的聚类算法将触发过一致性故障的车辆数据按照充电状态分成若干区间。

基于密度的聚类算可以采用DBSCAN算法，其是一种非常著名的基于密度的聚类算法。直观效果上看，DBSCAN算法可以找到样本点的全部密集区域，并把这些密集区域当做一个一个的聚类簇。算法的核心点在于基于密度，对远离密度核心的噪声点鲁棒；无需知道聚类簇的数量；可以发现任意形状的聚类簇等特征。

2，将各区间按照充电状态、车辆状态、车速、电流进行区分，进一步划分成不同的工况。

工况主要可以分为以下几种：充电阶段、静置阶段、行驶阶段、刹车减速阶段、停车阶段、熄火等待阶段、其它状态阶段。但不限于以上工况。

以某个运行过程为例，车辆在充电后会静置一段时间，后面就是正常的使用过程，运行→减速→运行→停止→......→熄火等待→运行→......→充电整个过程。而车辆基本状况就是这种工况的循环。

3，构建基于余弦相似度的电池单体一致性差故障预测模型。

(1)以不同工况为单位，计算故障车辆整个生命周期中最高单体电压与最低单体电压的余弦相似度。

余弦相似度用两个向量夹角的余弦值作为衡量两个向量差异的大小。余弦值越接近1，表明两个向量越相似，越接近0，表明两个向量越不相似。其结果是与向量的长度无关的，仅仅与向量的指向方向相关。余弦相似度的范围在-1到1之间。

(2)通过混淆矩阵确定各工况的阈值。

按照不同工况，将计算好的余弦相似度升序排序，将其中某一个相似度确定为阈值，当大于阈值时，则判断为故障发生。因为，随着阈值逐渐逼近1，真阳率会不断上升，但同时假阳率(即误诊率)也会上升，考虑更有效的故障诊断和更低的误诊率，综合考虑确定阈值，阈值需满足：真阳率大于70％，假阳率小于10％，若满足此条件的阈值有多个，确定原则是选择能保证准确率最大的阈值。

4，实时预测。

按照步骤1和步骤2，对实车数据进行实时划分为不同工况，并实时计算出相应工况下单体电压最高值与单体电压最低值的余弦相似度，当出现计算值超过对应工况的阈值时，预测为即将发生故障。

本发明方案通过对大数据终端平台的大量数据进行即时的深入分析和挖掘，不仅有效利用了大数据终端平台海量数据，并能从不同工况有针对性地出发考虑，进行电池一致性预测，提高了预测的准确性，降低误识率。

附图说明

图1为本发明的逻辑流程图。

图2为基于密度的聚类算法DBSCAN中边界点、核心点、噪声点，密度可达示意图。

图3为余弦相似度计算结果与阈值取值情况。

具体实施方式

以下结合附图进一步说明本发明技术：

参见图1，本发明所述的一种动力电池一致性故障的预测方法，其步骤如下：

步骤1，通过基于密度的聚类算法将触发过一致性故障的车辆数据按照充电状态分成若干区间。这里的车辆数据是利用汽车厂家的大数据终端平台获得的大量数据。

本实施例采用DBSCAN算法，其是一种非常著名的基于密度的聚类算法。直观效果上看， DBSCAN算法可以找到样本点的全部密集区域，并把这些密集区域当做一个一个的聚类簇。算法的核心点在于基于密度，对远离密度核心的噪声点鲁棒；无需知道聚类簇的数量；可以发现任意形状的聚类簇等特征。

DBSCAN算法：给出点集S＝{p_i}，其中以任意点p_i为圆心，以Eps为领域半径内的点集，表示为N_eps(p_i)＝{q∈S|dist(p,q)≤Eps}。

针对电动汽车电池，由于充电状态由主要为1：停车充电，2：熄火，3：未充电，4：充电完成。但是在真实的情况下，即使处于充电状态，由于充电过程的异常导致充电过程的充电状态会为1和4的跳变。所以针对有生命周期内的数据先获取所有充电状态的数据，然后计算其之间的时间间隔并排序，p_i也就是排序后的点。由于正常充电过程两次停车充电的间隔会在6小时以上，经过数据预处理后两帧数据间隔为10秒，故而距离Eps取值为2160。对于最小密度Min_pts取值为2。由于DBSCAN需要两个变量计算空间距离，故而采用欧式距离作为距离函数，即2＝{q∈S|EuclideanDistance(p,q)≤2160}。

对于基于密度的聚类算法DBSCAN，有以下重要概念：

(1)Eps领域：对于任意充电状态点的集合点p_i的Eps领域指的是所有点与p_i距离小于Eps半径范围的点的集合。

(2)核心对象：对于给定的最小簇数量Min_pts＝2，如果p_i的领域半径内点

至少包含Min_pts个充电状态点，则p_i是个核心点。

(3)密度直达：若充电点p_j在充电点p_i的Eps邻域中，且p_j是核心对象，则称充电点p_j由充电点p_i密度直达。

(4)密度可达：对于充电点集合S，如果存在着一个直接密度关系p_i、p_i+1、 p_{i+ 2......}p_n-1、p_n，且p_i与p_i+1直接密度可达，则称p_i与p_n密度可达。

针对于上述理论采用图2边界点、核心点、噪声点，密度可达示意图进行说明。设定为Min_pts为4，点A和其他黑色点是核心点，因为在领域半径内这些点周围的区域至少包含4个点(包括点本身)。因为它们彼此都是可访问的，所以它们形成一个集群。点B和C 不是核心点，但可以从A(通过其他核心点)到达，因此也属于集群。点N是既不是核心点也不是直接可达的噪声点。

例如，使用车辆L***452作为研究对象，此车辆在2018年1月至2019年12月期间，共发生过51次单体一致性差故障。经过DBSCAN的分区算法，一共可以分成1398个区间。

步骤2，将各区间按照充电状态、车辆状态、车速、电流进行区分，进一步划分成不同的工况。

在本实施例中，工况主要分为以下7种：充电阶段、静置阶段、行驶阶段、刹车减速阶段、停车阶段、熄火等待阶段、其它状态阶段。

以上7个状态通过充电状态、车辆状态、车速、电流进行简单进行区分，各阶段的判断条件如下：

充电阶段依据判定条件为车辆状态为熄火，充电状态为停车充电，总电流为负值，车速为0。

静置阶段判定条件为车辆状态为熄火，充电状态为完成充电，总电流为0，车速为0。

行驶阶段判定条件为车辆状态为运行，充电状态为未充电，总电流大于0，车速大于 0。

刹车减速阶段判定条件为车辆状态为运行，充电状态为未充电，总电流小于等于0，车速大于0。

停车阶段判定条件为车辆状态为运行，充电状态为未完成，车速为0。

熄火等待阶段判定条件为车辆状态为熄火，充电状态为未充电，总电流为0，车速为 0。

以某个运行过程为例，车辆在充电后会静置一段时间，后面就是正常的使用过程，运行→减速→运行→停止→......→熄火等待→运行→......→充电整个过程。而车辆基本状况就是这种工况的循环。

例如，车辆L***452在2018年1月至2019年12月期间，单体一致性故障分布状态如下：

阶段	充电阶段	静置阶段	运行阶段	减速阶段	停车阶段	熄火阶段	其他阶段
								故障数	0	52	0	0	0	0	0

从上表可以看出，不一致性故障一般发生在充电后的静置阶段。

步骤3，构建基于余弦相似度的电池单体一致性差故障预测模型

1)以不同工况为单位，计算故障车辆整个生命周期中最高单体电压与最低单体电压的余弦相似度。

余弦相似度用两个向量夹角的余弦值作为衡量两个向量差异的大小。余弦值越接近1，表明两个向量越相似，越接近0，表明两个向量越不相似。其结果是与向量的长度无关的，仅仅与向量的指向方向相关。余弦相似度的范围在-1到1之间。

2)通过混淆矩阵确定各工况的阈值。

混淆矩阵及相关概念如下：

关键概念：

(1)TP(True Positive)：真实是正例，预测也为正例的情况(预测对的部

分)。

(2)FP(False Positive)：真实是反例，预测为正例的情况(预测错的部分)。

(3)FN(False Negative)：真实是正例，预测为反例的情况(预测错的部分)。

(4)TN(True Negative)：真实是反例，预测也为反例的情况(预测对的部分)。

(5)准确率(Accuracy)：被正确分类的样本比例或数量

A＝(TP+TN)/(P+N)＝(TP+TN)/(TP+FN+FP+TN)。

(6)真阳率(True Positive Rate)：分类器预测为正例的样本占实际正例样本数量的比例，也叫敏感度(sensitivity)或召回率(recall)，描述了分类器对正例类别的敏感程度。

TPR＝TP/(TP+FN)。

(7)假阳率(误诊率):分类器预测为正例的样本占实际负例样本数量的比例。

FNR＝FP/(TN+FP)。

按照不同工况，将计算好的余弦相似度升序排序，阈值为其中某一个相似度，当大于阈值时，则判断为故障发生。例如，将阈值从0.9996取到0.999925，间隔0.00001，可以发现随着阈值逐渐逼近1，真阳率会不断上升，但同时假阳率(即误诊率)也会上升，高达17.9％，考虑更有效的故障诊断和更低的误诊率，综合考虑确定阈值，阈值需满足：真阳率大于70％，假阳率小于10％，若满足此条件的阈值有多个，确定方法是选择能保证准确率最大的阈值。本示例采用阈值0.99948，此时真阳率72.5％，假阳率8.0％，准确率91.3％.混淆矩阵结果如下：

余弦相似度计算结果与阈值取值情况如图3所示。

步骤4，实时预测。

按照以上步骤1和步骤2，对实车数据进行实时划分为不同工况，并实时计算出相应工况下单体电压最高值与单体电压最低值的余弦相似度，当出现计算值超过对应工况的阈值时，预测为即将发生故障。

Claims (4)

1.一种动力电池一致性故障的预测方法，其步骤如下：

步骤1，对触发过一致性故障的车辆数据通过基于密度的聚类算法进行分区，分成不同的区间；

步骤2，将各区间按照充电状态、车辆状态、车速、电流进行区分，划分成不同的工况；所述工况包括：充电阶段、静置阶段、行驶阶段、刹车减速阶段、停车阶段、熄火等待阶段、其它状态阶段；

步骤3，构建基于余弦相似度的电池单体一致性差故障预测模型

1)以不同工况为单位，计算故障车辆整个生命周期中最高单体电压与最低单体电压的余弦相似度；

2)通过混淆矩阵确定各工况的阈值。

按照不同工况，将计算好的余弦相似度升序排序，确定其中某一个相似度为阈值，阈值需满足：真阳率大于70％，假阳率小于10％，若满足此条件的阈值有多个，则以准确率最大为取值原则；

步骤4，实时预测

按照步骤1和步骤2，对实车数据进行实时划分为不同工况，并实时计算出相应工况下单体电压最高值与单体电压最低值的余弦相似度，当出现计算值超过对应工况的阈值时，预测为即将发生故障。

2.根据权利要求1所述的动力电池一致性故障的预测方法，其特征在于，所述基于密度的聚类算法采用DBSCAN算法，给出点集S＝{p_i}，其中以任意点p_i为圆心，以Eps为领域半径内的点集，表示为N_eps(p_i)＝{q∈S|dist(p,q)≤Eps}。

3.根据权利要求1所述的动力电池一致性故障的预测方法，其特征在于，所述准确率A是被正确分类的样本比例或数量，计算公式为：

A＝(TP+TN)/(P+N)＝(TP+TN)/(TP+FN+FP+TN)；

其中，TP表示真阳，即真实是正例，预测也为正例的情况；FP表示假阳，即真实是反例，预测为正例的情况；TN表示真实是反例，预测也为反例的情况；FN表示真实是正例，预测为反例的情况。

4.根据权利要求1-3任一项所述的动力电池一致性故障的预测方法，其特征在于，所述工矿的判断条件为：

充电阶段：为车辆状态为熄火，充电状态为停车充电，总电流为负值，车速为0；

静置阶段：为车辆状态为熄火，充电状态为完成充电，总电流为0，车速为0；

行驶阶段：为车辆状态为运行，充电状态为未充电，总电流大于0，车速大于0；

刹车减速阶段：为车辆状态为运行，充电状态为未充电，总电流小于等于0，车速大于0；

停车阶段：为车辆状态为运行，充电状态为未完成，车速为0；

熄火等待阶段：为车辆状态为熄火，充电状态为未充电，总电流为0，车速为0。

Images