CN113313406B - 一种电动汽车运行大数据的动力电池安全风险评估方法 - Google Patents

Abstract

本发明属于电动汽车电池风险评估技术领域，具体为一种电动汽车运行大数据的动力电池安全风险评估方法，包括步骤一：输入电池安全相关特征量，步骤二：获取最外围样本边界，获取无故障样本的外围边界，步骤三：在外围样本边界随机生成故障样本，步骤四：获取正常样本与模拟故障样本的边界，步骤五：缩放正负样本边界，依据样本概率确定风险系数，其结构合理，结构明了，准确度高，避开训练样本中故障样本稀缺的问题，发挥了大数据在故障诊断风险评估上的优势。

Description

一种电动汽车运行大数据的动力电池安全风险评估方法

技术领域

本发明涉及电动汽车电池风险评估技术领域，具体为一种电动汽车运行大数据的动力电池安全风险评估方法。

背景技术

近年来，因动力电池故障导致的电动汽车起火自燃事故频发，这不仅威胁到了乘客的人身安全，也严重阻碍了电动汽车的推广。因此，提出一套高效可行的电池安全风险评估方案，实现电池安全风险事前预警和事中报警，这将对电动车产业发展产生深远意义的影响。动力电池组内部电芯数目众多、化学反应过程复杂，电池状态的准确估计和诊断始终是电动汽车的一大难点。大数据为电池风险评估提供了新思路，可以利用大规模实际运行的动力电池数据实现动力电池的风险评估。

主流的动力电池安全风险评估方法都是通过将电动汽车运行数据与预设的风险阈值进行比较，或是基于该方法下对风险等级评价策略进行优化。该类方法虽然模型清晰、算法简单易于实现，但是阈值标定一般需要在实验环境下进行，车辆实际运行环境与实验环境之间的差异及电池老化后参数与初始参数的差异均会导致该方法误差较大。为了避免这种差异，采用实际使用数据对算法阈值进行标定更为合理，但在现实中对于单一车型，严重故障的样本是非常稀少甚至没有，而这类阈值必须采用故障样本进行标定，所以目前直接采用实际数据对动力电池风险评估算法进行阈值标定仍存在诸多难点。针对这一问题，本发明旨在采用无故障或极少量故障数据的电动汽车大数据，利用电池工作点出现的频率描述工作点的风险，极为稀少出现的工况点意味着存在较高风险，从而实现动力电池风险评估。

发明内容

本部分的目的在于概述本发明的实施方式的一些方面以及简要介绍一些较佳实施方式。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于现有电池安全风险评估方法中存在的问题，提出了本发明。

因此，本发明的目的是提供一种电动汽车运行大数据的动力电池安全风险评估方法，能够实现提高电池安全风险评估的准确性。

为解决上述技术问题，根据本发明的一个方面，本发明提供了如下技术方案：

一种电动汽车运行大数据的动力电池安全风险评估方法，其包括如下步骤：

步骤一：输入电池安全相关特征量，从大数据中心得到某种电动汽车或动力电池的数据，针对确定故障类型提取能够表征该类故障的n种特征值，并将选取的n种特征值的样本数据输入到n维空间坐标系下；

步骤二：获取最外围样本边界，获取无故障样本的外围边界，电池安全相关的特征值都符合连续分布，因此对于一维坐标系下，获取边界只需要找出相应特征值最大值与最小值；对于二维及以上的高维度坐标系下，可以借助convex hull算法求解可以将所有元素包含在内的边界A。样本中若存在故障样本，确认故障样本在边界A外部，否则修改A边界，保证所有故障样本均在A外部；

步骤三：在外围样本边界随机生成故障样本，令一个足够大的区域R，在区域R与边界A之间随机生成模拟故障样本，模拟故障样本的分布可选择均匀分布，或集中于A边界附，假设从大数据中心获取的正样本为i个，原始故障样本与随机生成的负样本共j个，那么任意一个正样本可表示为X_k＝(x₁ ^k，x₂ ^k，…，x_n ^k),k＝1,2,…,i，任意一个负样本可表示为X_k＝(x₁ ^k，x₂ ^k，…，x_n ^k),k＝i+1,i+2,…,i+j；

步骤四：获取正常样本与模拟故障样本的边界，利用支持向量机将坐标系中的正负样本进行分类，获取正负样本的决策边界，为了便于决策边界的求解，先给所有样本赋予一个标签，用y来表示，那么正样本的标签为y_k＝1，k＝1,2,…,i；反之，负样本标签则为y_k＝-1，k＝i+1,i+2,…,i+j，对正负样本划分问题进行SVM模型建立得到损失函数，见下式(1)

其中，ζ_k＝max(0,1-y_k(w·Φ(X_k)+b))，核函数选择非线性核高斯径向核函数，其表达形式为Φ(X_k)＝exp(-||X_k-z||²/2σ²)，w与b为待学习参数，

将正负样本数据及对应标签一一带入到损失函数(1)中，最终得到参数w与b的学习结果，表示为n维坐标系下超平面方程，见下式(2)：

w^TΦ(X)+b＝0

其中，w＝{w₁；w₂；…；w_n}是一个法向量，表征超平面的方向；b为偏移项，该超平面即为正负样本的决策边界；

步骤五：缩放正负样本边界，依据样本概率确定风险系数，假设一个训练样本X_t＝(x₁ ^t，x₂ ^t，…，x_n ^t)，若要对该样本点进行安全风险评估，首先需判断该点是否在决策边界上，如若不在，则需缩放决策边界使该点落在缩放后的决策边界并求出缩放后边界的表达式，样本点X_t所在的边界是经式(2)所描述的决策边界缩放所得，因此新边界的法向量与原决策边界无异，只需将法向量参数w＝{w₁；w₂；…；w_n}与样本点X_t＝(x₁ ^t，x₂ ^t，…，x_n ^t)带入到式(2)中，求得偏移项b_t。故样本点X_t所在的缩放边界表达式为：

w^TΦ(X)+b_t＝0

将所有正样本逐一带入到式(3)中，若w^TΦ(X)+b_t≥0，则表示该正样本点在缩放边界内部或边界上；反之，则表示正样本点在边界外，通过该判断式，统计出在缩放边界内部及边界上的正样本点数n_p，那么，任意训练样本X_t的风险系数ξ可表示为：

式中，i为所有正样本点个数；ε为模型参数，通过调整参数ε可以调节模型准确度，风险系数ξ范围为(0～1)，随数值增大，风险越高。

与现有技术相比，本发明的有益效果是：通过该一种电动汽车运行大数据的动力电池安全风险评估方法的设置，结构明了，准确度高，避开训练样本中故障样本稀缺的问题，发挥了大数据在故障诊断风险评估上的优势。

附图说明

为了更清楚地说明本发明实施方式的技术方案，下面将结合附图和详细实施方式对本发明进行详细说明，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：

图1为本发明步骤流程图；

图2为本发明正样本最外围边界获取；

图3为本发明生成模拟故障样本；

图4为本发明正样本的外围边界获取；

图5为本发明负样本的生成；

图6为本发明决策边界的拟合；

图7为本发明充电工况下电池风险评估模型。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施方式的限制。

其次，本发明结合示意图进行详细描述，在详述本发明实施方式时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明的实施方式作进一步地详细描述。

实施例1

1获取所输入样本的外围边界

令向充电电流为正向电流，将获取到的所有动力电池样本点X_k(U_k,I_k),k＝1,2,3,…i绘制在二维坐标系下，并利用convex hull算法获取样本外围边界A。

2生成故障样本

在正样本边界外生成一个矩形框R,矩形框R无实际物理意义，只是为了将负样本限制在一定区域。在区域R与正样本边界之间随机生成负样本X_k(U_k,I_k),k＝i+1,i+2,…,i+j，并绘制在下图5中。

3拟合正常样本与模拟故障样本边界

将上述正负样本点代入到损失函数(1)中，借助拉格朗日乘数法求解得到决策边界w^*TΦ(X)+b^*＝0。将得到的决策边界B绘制到二维坐标系下,如图6所示。

4实现安全风险评估

将决策边界进行缩放，统计每次缩放后决策边界内正样本点个数n_p，并将其带入到式(4)中训练评估模型，最终得到适合该模型的参数ε^*。动力电池充电工况下安全风险评估模型如下式：

对图7中所示测试样本进行风险评估，首先将该测试样本点X_a(U_a,I_a)与法向量w^*带入到决策边界超平面w^*TΦ(X)+b^*＝0中，求得缩放边界C,其表达式为w^*TΦ(X)+b_a ^*＝0。将i个正样本点X_k(U_k,I_k),k＝1,2,3,…i逐一带入到缩放边界C中，经比较判断后在所放边界C内正样本点数为n_p ^*，最后将其带入到式(5)中求得其风险系数ξ^*，

虽然在上文中已经参考实施方式对本发明进行了描述，然而在不脱离本发明的范围的情况下，可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是，只要不存在结构冲突，本发明所披露的实施方式中的各项特征均可通过任意方式相互结合起来使用，在本说明书中未对这些组合的情况进行穷举性的描述仅仅是出于省略篇幅和节约资源的考虑。因此，本发明并不局限于文中公开的特定实施方式，而是包括落入权利要求的范围内的所有技术方案。

Claims (1)

1.一种电动汽车运行大数据的动力电池安全风险评估方法，其特征在于：包括如下步骤：

步骤一：输入电池安全相关特征量，从大数据中心得到某种电动汽车或动力电池的数据，针对确定故障类型提取能够表征故障类型的n种特征值，并将选取的n种特征值的样本数据输入到n维空间坐标系下；

步骤二：获取最外围样本边界，获取无故障样本的外围边界，电池安全相关的特征值都符合连续分布，因此对于一维坐标系下，获取边界只需要找出相应特征值最大值与最小值；对于二维及以上的高维度坐标系下，借助convexhull算法求解将所有元素包含在内的边界A，样本中若存在故障样本，确认故障样本在边界A外部，否则修改A边界，保证所有故障样本均在A外部；

步骤三：在外围样本边界随机生成故障样本，令一个足够大的区域R，在区域R与边界A之间随机生成模拟故障样本，模拟故障样本的分布可选择均匀分布，或集中于A边界附，假设从大数据中心获取的正样本为i个，原始故障样本与随机生成的负样本共j个，那么任意一个正样本可表示为X_k＝(x₁ ^k，x₂ ^k，…，x_n ^k),k＝1,2,…,i，任意一个负样本可表示为X_k＝(x₁ ^k，x₂ ^k，…，x_n ^k),k＝i+1,i+2,…,i+j；

步骤四：获取正常样本与模拟故障样本的边界，利用支持向量机将坐标系中的正负样本进行分类，获取正负样本的决策边界，为了便于决策边界的求解，先给所有样本赋予一个标签，用y来表示，那么正样本的标签为y_k＝1，k＝1,2,…,i；反之，负样本标签则为y_k＝-1，k＝i+1,i+2,…,i+j，对正负样本划分问题进行SVM模型建立得到损失函数，见下式(1)

其中，ζ_k＝max(0,1-y_k(w·Φ(X_k)+b))，核函数选择非线性核高斯径向核函数，其表达形式为Φ(X_k)＝exp(-||X_k-z||²/2σ²)，w与b为待学习参数；

在上面限制条件下，要求损失函数最小，这是一个凸优化问题，解决这个问题的方法是，通过目标函数和限制条件，构建拉格朗日函数，并用正负样本数据得到参数w与b的学习结果，解决过程过于繁琐，这里不在赘述，最终得到参数w与b的学习结果，表示为n维坐标系下超平面方程，见下式(2)：

w^TΦ(X)+b＝0

其中，w＝{w₁；w₂；…；w_n}是一个法向量，表征超平面的方向；b为偏移项，该超平面即为正负样本的决策边界；

步骤五：缩放正负样本边界，依据样本概率确定风险系数，假设一个训练样本X_t＝(x₁ ^t，x₂ ^t，…，x_n ^t)，若要对训练样本进行安全风险评估，首先需判断该训练样本是否在决策边界上，如若不在，则需缩放决策边界使该训练样本落在缩放后的决策边界并求出缩放后边界的表达式，训练样本X_t所在的边界是经式(2)所描述的决策边界缩放所得，因此新边界的法向量与原决策边界无异，只需将法向量参数w＝{w₁；w₂；…；w_n}与样本点X_t＝(x₁ ^t，x₂ ^t，…，x_n ^t)带入到式(2)中，求得偏移项b_t，故训练样本X_t所在的缩放边界表达式为：

w^TΦ(X)+b_t＝0

将所有正样本逐一带入到式(3)中，若w^TΦ(X)+b_t≥0，则表示正样本点在缩放边界内部或边界上；反之，则表示正样本点在边界外，通过式(2)，统计出在缩放边界内部及边界上的正样本点数n_p，那么，任意训练样本X_t的风险系数ξ可表示为：

式中，i为所有正样本点个数；ε为模型参数，通过调整参数ε可以调节模型准确度，风险系数ξ范围为(0-1)，随数值增大，风险越高。