CN113960476A - 基于信息物理融合技术的动力电池故障监测方法及系统 - Google Patents

基于信息物理融合技术的动力电池故障监测方法及系统 Download PDF

Info

Publication number
CN113960476A
CN113960476A CN202111114665.1A CN202111114665A CN113960476A CN 113960476 A CN113960476 A CN 113960476A CN 202111114665 A CN202111114665 A CN 202111114665A CN 113960476 A CN113960476 A CN 113960476A
Authority
CN
China
Prior art keywords
management system
soc
ocv
data
battery
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202111114665.1A
Other languages
English (en)
Other versions
CN113960476B (zh
Inventor
何洪文
赵旭阳
王云龙
黄汝臣
李建威
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202111114665.1A priority Critical patent/CN113960476B/zh
Publication of CN113960476A publication Critical patent/CN113960476A/zh
Application granted granted Critical
Publication of CN113960476B publication Critical patent/CN113960476B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
    • B60L58/12—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to state of charge [SoC]
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
    • B60L58/16—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to battery ageing, e.g. to the number of charging cycles or the state of health [SoH]
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/16—Information or communication technologies improving the operation of electric vehicles

Abstract

本发明提供了基于信息物理融合技术的动力电池故障监测方法及系统，其基于将物理世界与信息世界充分融合的思想，利用物理世界的数据采集设备与控制线路、信息世界的计算与存储能力以及无线通讯系统，实现物理实体在信息世界中的映射，提高对于物理实体的感知与控制能力。通过物理实体、车载终端电池管理系统和云端管理系统三者的融合匹配，实现了动力电池监测系统的构建，具有建模准确、管理高效与实时性好的优点，有利于车‑云协同的动力电池全周期精细化智能管理。

Description

基于信息物理融合技术的动力电池故障监测方法及系统
技术领域
本发明属于电动车辆动力电池管理技术领域，尤其涉及一种基于信息物理融合技术的动力电池故障监测系统及方法。
背景技术
动力电池作为电动汽车的能量来源，与电动汽车的安全性、可靠性关系密切，因此对其进行实时监控和管理是十分必要的。现有的电池管理系统普遍依靠在车载终端基于预设的程序进行动力电池组的监控。然而动力电池组在充放电过程中是一个非线性系统，具有即用即衰、强时变和强温度依赖特性。因此在电池管理时的参数辨识、状态估计都具有强非线性、复杂性，且在电池的生命周期中不能保持统一的状态。传统电池管理系统难以针对电池的使用状况进行控制策略的实时更新，也就无法对电池组进行全生命周期的建模与管理，使得随着使用时间的增长，电池管理系统的精度逐渐下降，从而导致状态估计和故障监测的性能大大下降。
在近期部分利用了云平台和数字孪生技术的现有技术中，虽然相比传统电池管理系统实现了一定的改进，但仍存在着如缺乏对电池模型的设计、车载端管理系统与服务器端或云端的协同配合不够完善、实时性较差等缺点。尤其是较为前沿的采用数字孪生技术的电池管理策略，其控制流程更新周期相对较长，使电池监管效率还无法满足实用要求。
发明内容
针对上述本领域中存在的技术问题，本发明提供了一种基于信息物理融合技术的动力电池故障监测方法，具体包括以下步骤：
步骤一、以待监测的动力电池组作为物理实体，通过车载终端电池管理系统获取物理实体的运行数据并上传至云端管理系统；在实验环境中，针对同类型动力电池组开展循环充放电测试实验，将电压、电流和温度等测试实验数据上传至云端管理系统；
步骤二、所述云端管理系统利用接收的测试实验数据，基于长短期记忆网络(LSTMN)对当前循环的电池健康状态(SOH)进行估计；以SOH估计结果、荷电状态(SOC)以及温度数据作为输入，开路电压(OCV)作为输出构建BP神经网络，利用测试实验数据对其进行训练；结合BP神经网络输出的OCV数据与SOC数据得到动力电池组的SOC-OCV关系，并下发到车载终端电池管理系统；
步骤三、车载终端电池管理系统对动力电池建立等效电路模型，利用实时获取的电池运行数据基于扩展卡尔曼滤波器(EKF)对SOC进行估计；将SOC估计结果输入由云端管理系统下发的SOC-OCV关系得到OCV值；利用所述OCV值，动力电池组电流实测值以及端电压实测值，对电池组正常电压进行预测；
步骤四、根据正常电压预测值与端电压实测值之间的差值，对动力电池组的不同故障类型进行划分，并提供相应等级的预警；
步骤五、云端管理系统利用持续收集的测试实验数据以及实车电池组的历史运行数据，对所述LSTMN以及BP神经网络进行定期更新。
进一步地，所述步骤二中对当前循环的SOH进行估计具体包括以下步骤：
对于一个LSTMN神经单元，定义其在每个时间步t，隐藏状态ht由同一时间步的数据xt更新，前一时间步的隐藏状态ht-1，输入门it，输入节点gt，遗忘门ft、输出门ot和存储单元ct，更新公式为：
Figure BDA0003274840630000021
其中，W和b分别是层权重和偏差：Wfx和Wfh分别是遗忘门中相对于xt和ht-1的两个权重矩阵，bf是偏置项，σ是Sigmoid函数；同理，Wix和Wih分别是输入门中相对于xt和ht-1的两个权重矩阵，bi是偏置项；Wgx和Wgh分别是tanh激活函数中相对于xt和ht-1的两个权重矩阵，bg是偏置项；Wox和Woh分别是输出门中相对于xt和ht-1的两个权重矩阵，bo是偏置项；
引入Dropout层用于模型训练，通过所述Dropout层，部分隐藏输出被随机屏蔽，使得这些神经元在训练过程中不会影响前向传播；基于以下公式输出SOH的估计结果：
Figure BDA0003274840630000022
其中，Wout和bout分别是Dropout层权重和偏差，输出值
Figure BDA0003274840630000023
是SOH估计结果，选择relu作为激活函数；对于模型训练，将均方误差(MSE)作为模型损失：
Figure BDA0003274840630000024
其中，n为训练样本的数量。
进一步地，所述步骤二中对于训练好的BP神经网络，输入所述SOH估计结果、温度以及SOC序列SOCinput＝[0.10.20.3...1.0]，并输出对应的OCV序列OCVoutput＝[OCV1OCV2...OCV10]；使用以下多项式拟合方式得到SOC-OCV关系：
Figure BDA0003274840630000025
其中，M为多项式的最高系数，SOCj表示SOC的j次幂，wj为SOCj的系数。
所述SOC-OCV关系的误差由以下公式表示：
Figure BDA0003274840630000031
其中，N为样本数，下标input表示输入，下标output表示输出；
拟合系数由下式得到：
Figure BDA0003274840630000032
云端管理系统在拟合完成后将拟合结果回传至车载终端电池管理系统，用于对电池等效电路模型参数进行修正。
进一步地，车载终端电池管理系统对动力电池建立具有两个RC电路的等效电路模型，步骤三中对电池组正常电压进行预测具体基于以下公式：
Figure BDA0003274840630000033
其中，Φt＝[yt-1yt-2ItIt-1It-2]T，yt＝Ut,ocv-Ut,measure，It(t＝1,2,…,k)为时间步长t处测得的电流值；Ut,measure为在时间步长t处测得的端电压；Ut,pred为预测值；Ut,ocv是时间步长t的OCV，由基于带遗忘因子的扩展卡尔曼滤波器估计出的SOC输入拟合出的SOC-OCV关系来确定；
Figure BDA0003274840630000034
是参数矩阵
Figure BDA0003274840630000035
由下式确定：
Figure BDA0003274840630000036
其中，KLs,t＝PLs,t-1Φt T[ΦtPLs,t-1Φt T+μ]-1，PLs,t由
Figure BDA0003274840630000037
进行计算得到，μ是遗忘因子。
相应地，本发明还提供了一种基于信息物理融合技术的动力电池故障监测系统，用于执行上述方法，所述系统包括：
物理实体、车载终端电池管理系统和云端管理系统；
其中，所述物理实体为待检测的动力电池组，是所述管理与监测系统的被控对象，以及作为所述车载终端电池管理系统与云端管理系统的数据来源；
所述车载终端管理系统中的电池数据采集模块利用传感设备与车内通讯线路对物理实体进行数据采集，对采集到的原始数据进行初步的预处理后，通过无线通讯设备上传至云端管理系统的数据库中进行电池历史数据的存储；
所述云端管理系统对从上传的数据进行存储，利用电池历史数据、电池测试实验数据构建数据库；在云端管理系统中的云计算服务器运行LSTMN，对当前循环SOH进行估计，随后基于SOH估计结果结合BP神经网络得到SOC-OCV关系，通过无线通讯设备将所述SOC-OCV关系回传至车载终端电池管理系统，用于在车载终端管理系统中基于EKF估计SOC并结合所述SOC-OCV关系估计电池组正常电压，以及对电池模型参数的更新；
对云端管理系统中LSTMN、BP神经网络进行训练，以及在车载终端电池管理系统中对等效电路模型进行参数辨识所使用的数据，均通过在实验环境中，针对同类型动力电池组开展循环充放电测试实验得到；所述物理实体、实验环境构成所述系统的物理层，云端管理系统则作为系统的信息层。
上述本发明所提供的方法和系统，基于将物理世界与信息世界充分融合的思想，利用物理世界的数据采集设备与控制线路、信息世界的计算与存储能力以及无线通讯系统，实现物理实体在信息世界中的映射，提高对于物理实体的感知与控制能力。通过物理实体、车载终端电池管理系统和云端管理系统三者的融合匹配，实现了动力电池监测系统的构建，具有建模准确、管理高效与实时性好的优点，有利于车-云协同的动力电池全周期精细化智能管理。
附图说明
图1为本发明所提供的系统结构框图；
图2为本发所提供方法的工作流程图；
图3为本发明的方案中电池测试实验过程流程图；
图4为本发明的方案中LSTMN与BP神经网络的框架图；
图5为基于本发明的在线实验验证系统框架图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明所提供的一种基于信息物理融合技术的动力电池故障监测方法，如图1所示，具体包括以下步骤：
步骤一、以待监测的动力电池组作为物理实体，通过车载终端电池管理系统获取物理实体的运行数据并上传至云端管理系统；在实验环境中，针对同类型动力电池组开展如图3所示的循环充放电测试实验，将电压、电流和温度等测试实验数据上传至云端管理系统；对于每个放电周期，初始SOC设置为1，当电压值低于阈值时终止放电过程，此时SOC值设置为0。在每个放电循环中，我们基于安时积分法估算每个时刻的SOC值。SOC每变化0.1，就让电池静置，以便准确测量OCV值。另外，本次循环的电池总放电容量无法预先知道，因此只能在本次放电循环后修改估计的SOC值。放电实验进行多次循环，直到测得的总放电容量低于初始容量的0.8时结束当前电池的放电试验，更换新的电池进行下一轮实验。
步骤二、所述云端管理系统利用接收的测试实验数据，基于LSTMN对当前循环的电池SOH进行估计；以SOH估计结果、SOC以及温度数据作为输入，开路电压OCV作为输出构建BP神经网络，利用测试实验数据对其进行训练；结合BP神经网络输出的OCV数据与SOC数据得到动力电池组的SOC-OCV关系，并下发到车载终端电池管理系统；
步骤三、车载终端电池管理系统对动力电池建立等效电路模型，利用实时获取的电池运行数据基于扩展卡尔曼滤波器(EKF)对SOC进行估计；将SOC估计结果输入由云端管理系统下发的SOC-OCV关系得到OCV值；利用所述OCV值，动力电池组电流实测值以及端电压实测值，对电池组正常电压进行预测；
步骤四、根据正常电压预测值与端电压实测值之间的差值，对动力电池组的不同故障类型进行划分，并提供相应等级的预警；
步骤五、云端管理系统利用持续收集的测试实验数据以及实车电池组的历史运行数据，对所述LSTMN以及BP神经网络进行定期更新。
在本发明的一个优选实施方式中，如图4所示，所述步骤二中对当前循环的SOH进行估计具体包括以下步骤：
对于一个LSTMN神经单元，定义其在每个时间步t，隐藏状态ht由同一时间步的数据xt更新，前一时间步的隐藏状态ht-1，输入门it，输入节点gt，遗忘门ft、输出门ot和存储单元ct，更新公式为：
Figure BDA0003274840630000051
其中，W和b分别是层权重和偏差：Wfx和Wfh分别是遗忘门中相对于xt和ht-1的两个权重矩阵，bf是偏置项，σ是Sigmoid函数；同理，Wix和Wih分别是输入门中相对于xt和ht-1的两个权重矩阵，bi是偏置项；Wgx和Wgh分别是tanh激活函数中相对于xt和ht-1的两个权重矩阵，bg是偏置项；Wox和Woh分别是输出门中相对于xt和ht-1的两个权重矩阵，bo是偏置项；
引入Dropout层用于模型训练，通过所述Dropout层，部分隐藏输出被随机屏蔽，使得这些神经元在训练过程中不会影响前向传播；基于以下公式输出SOH的估计结果：
Figure BDA0003274840630000052
其中，Wout和bout分别是Dropout层权重和偏差，输出值
Figure BDA0003274840630000053
是SOH估计结果，选择relu作为激活函数；对于模型训练，将均方误差(MSE)作为模型损失：
Figure BDA0003274840630000054
其中，n为训练样本的数量。
在本发明的一个优选实施方式中，所述步骤二中对于训练好的BP神经网络，输入所述SOH估计结果、温度以及SOC序列SOCinput＝[0.10.20.3...1.0]，并输出对应的OCV序列OCVoutput＝[OCV1 OCV2...OCV10]；使用以下多项式拟合方式得到SOC-OCV关系：
Figure BDA0003274840630000055
其中，M为多项式的最高系数，SOCj表示SOC的j次幂，wj为SOCj的系数。
所述SOC-OCV关系的误差由以下公式表示：
Figure BDA0003274840630000061
其中，N为样本数，下标input表示输入，下标output表示输出；
拟合系数由下式得到：
Figure BDA0003274840630000062
云端管理系统在拟合完成后将拟合结果回传至车载终端电池管理系统，用于对电池等效电路模型参数进行修正。
在本发明的一个优选实施方式中，车载终端电池管理系统对动力电池建立具有两个RC电路的等效电路模型，步骤三中对电池组正常电压进行预测具体基于以下公式：
Figure BDA0003274840630000063
其中，Φt＝[yt-1yt-2ItIt-1It-2]T，yt＝Ut,ocv-Ut,measure，It(t＝1,2,…,k)为时间步长t处测得的电流值；Ut,measure为在时间步长t处测得的端电压；Ut,pred为预测值；Ut,ocv是时间步长t的OCV，由基于带遗忘因子的扩展卡尔曼滤波器估计出的SOC输入拟合出的SOC-OCV关系来确定；
Figure BDA0003274840630000064
是参数矩阵
Figure BDA0003274840630000065
由下式确定：
Figure BDA0003274840630000066
其中，KLs,t＝PLs,t-1Φt T[ΦtPLs,t-1Φt T+μ]-1，PLs,t由
Figure BDA0003274840630000067
进行计算得到，μ是遗忘因子。
为了在电动汽车实际运行中实现实时可靠的故障诊断，提出了一种基于预测正常电压与实测电压差异的风险评估策略。如表1所示，根据电压差的大小，相应的风险状况可分为三个等级。对于第一级，警告阈值较小，对应于相对安全的状态。当超过此阈值时，系统将执行初级预警并开始增加诊断频率。二级阈值比较大，警告相关电池单体处于潜在危险状态。并且如果电压差超过三级阈值，将触发三级警告，驾驶员需要立即停车下车。综上所述，一级和二级阈值用于评估潜在故障风险，三级预警用于热失控预警。
表1
Figure BDA0003274840630000068
相应地，本发明还提供了一种基于信息物理融合技术的动力电池故障监测系统用于执行上述方法，所述系统如图2所示，其包括：
物理实体、车载终端电池管理系统和云端管理系统；
其中，所述物理实体为待检测的动力电池组，是所述管理与监测系统的被控对象，以及作为所述车载终端电池管理系统与云端管理系统的数据来源；
所述车载终端管理系统中的电池数据采集模块利用传感设备与车内通讯线路对物理实体进行数据采集，对采集到的原始数据进行初步的预处理后，通过无线通讯设备上传至云端管理系统的数据库中进行电池历史数据的存储；
所述云端管理系统对从上传的数据进行存储，利用电池历史数据、电池测试实验数据构建数据库；在云端管理系统中的云计算服务器运行LSTMN，对当前循环SOH进行估计，随后基于SOH估计结果结合BP神经网络得到SOC-OCV关系，通过无线通讯设备将所述SOC-OCV关系回传至车载终端电池管理系统，用于在车载终端管理系统中基于EKF估计SOC并结合所述SOC-OCV关系估计电池组正常电压，以及对电池模型参数的更新；
对云端管理系统中LSTMN、BP神经网络进行训练，以及在车载终端电池管理系统中对等效电路模型进行参数辨识所使用的数据，均通过在实验环境中，针对同类型动力电池组开展循环充放电测试实验得到；所述物理实体、实验环境构成所述系统的物理层，云端管理系统则作为系统的信息层。
在本发明的实施中，终端电池管理系统在所述物理模型的基础上，结合包括但不限于硬件单元模块(电池检测单元、电池组控制单元)、显示模块、通讯模块、整车控制器模块(均衡电路、继电器、散热加热电路等)以及相关线束和结构件(盖体、支架、螺栓等)。电池管理算法开发过程中，终端管理系统通常为充放电机或基于嵌入式系统开发的电池管理系统样机；电动载运工具充放电循环过程中，终端管理系统指电动汽车搭载的独立于云端系统的基于嵌入式系统开发的电池管理系统。终端管理系统针对不同应用场景有不同的具体实体，但上述过程中涉及的物理管理系统应至少应具备进行电池监测与控制的硬件模块和通讯模块。云管理系统包括但不限于数据传输模块、云端计算模块、数据存储模块等。所述数据传输模块用于和车载终端系统进行数据交互；云端计算模块用于模型的构建以及各类云端算法的计算；数据存储模块存储从车载终端系统获取的各类信息以及预存储的数据，为电池溯源、寿命预测、状态估计、故障诊断、模型搭建等提供信息。
物理实体与终端管理系统之间包括但不限于通过控制局域网络进行数据交互，终端系统与云端系统之间包括但不限于通过ZigBee、WIFI、3G/4G/5G等无线通讯技术进行数据交互。
如图5示出了一个基于本发明的在线实验验证系统框架图，为了获得有说服力的数据来验证所提出方法的有效性，从连接云平台的电池测试设备中获取电池测试数据。此外，图1系统安装在纯电动公交车上，并与北京电动汽车监控中心相连。监控中心大数据平台采用Hadoop架构，保证数据采集和存储的可靠性。
应理解，本发明实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (5)

1.一种基于信息物理融合技术的动力电池故障监测方法，其特征在于：具体包括以下步骤：
步骤一、以待监测的动力电池组作为物理实体，通过车载终端电池管理系统获取物理实体的运行数据并上传至云端管理系统；在实验环境中，针对同类型动力电池组开展循环充放电测试实验，将电压、电流和温度等测试实验数据上传至云端管理系统；
步骤二、所述云端管理系统利用接收的测试实验数据，基于长短期记忆网络LSTMN对当前循环的电池健康状态SOH进行估计；以SOH估计结果、荷电状态SOC以及温度数据作为输入，开路电压OCV作为输出构建BP神经网络，利用测试实验数据对其进行训练；结合BP神经网络输出的OCV数据与SOC数据得到动力电池组的SOC-OCV关系，并下发到车载终端电池管理系统；
步骤三、车载终端电池管理系统对动力电池建立等效电路模型，利用实时获取的电池运行数据基于扩展卡尔曼滤波器EKF对SOC进行估计；将SOC估计结果输入由云端管理系统下发的SOC-OCV关系得到OCV值；利用所述OCV值，动力电池组电流实测值以及端电压实测值，对电池组正常电压进行预测；
步骤四、根据正常电压预测值与端电压实测值之间的差值，对动力电池组的不同故障类型进行划分，并提供相应等级的预警；
步骤五、云端管理系统利用持续收集的测试实验数据以及实车电池组的历史运行数据，对所述LSTMN以及BP神经网络进行定期更新。
2.如权利要求1所述的方法，其特征在于：所述步骤二中对当前循环的SOH进行估计具体包括以下步骤：
对于一个LSTMN神经单元，定义其在每个时间步t，隐藏状态ht由同一时间步的数据xt更新，前一时间步的隐藏状态ht-1，输入门it，输入节点gt，遗忘门ft、输出门ot和存储单元ct，更新公式为：
Figure FDA0003274840620000011
其中，W和b分别是层权重和偏差：Wfx和Wfh分别是遗忘门中相对于xt和ht-1的两个权重矩阵，bf是偏置项，σ是Sigmoid函数；同理，Wix和Wih分别是输入门中相对于xt和ht-1的两个权重矩阵，bi是偏置项；Wgx和Wgh分别是tanh激活函数中相对于xt和ht-1的两个权重矩阵，bg是偏置项；Wox和Woh分别是输出门中相对于xt和ht-1的两个权重矩阵，bo是偏置项；
引入Dropout层用于模型训练，通过所述Dropout层，部分隐藏输出被随机屏蔽，使得这些神经元在训练过程中不会影响前向传播；基于以下公式输出SOH的估计结果：
Figure FDA0003274840620000021
其中，Wout和bout分别是Dropout层权重和偏差，输出值
Figure FDA0003274840620000022
是SOH估计结果，选择relu作为激活函数；对于模型训练，将均方误差(MSE)作为模型损失：
Figure FDA0003274840620000023
其中，n为训练样本的数量。
3.如权利要求1所述的方法，其特征在于：所述步骤二中对于训练好的BP神经网络，输入所述SOH估计结果、温度以及SOC序列SOCinput＝[0.10.20.3...1.0]，并输出对应的OCV序列OCVoutput＝[OCV1OCV2...OCV10]；使用以下多项式拟合方式得到SOC-OCV关系：
Figure FDA0003274840620000024
其中，M为多项式的最高系数，SOCj表示SOC的j次幂，wj为SOCj的系数。
所述SOC-OCV关系的误差由以下公式表示：
Figure FDA0003274840620000025
其中，N为样本数，下标input表示输入，下标output表示输出；
拟合系数由下式得到：
Figure FDA0003274840620000026
云端管理系统在拟合完成后将拟合结果回传至车载终端电池管理系统，用于对电池等效电路模型参数进行修正。
4.如权利要求1所述的方法，其特征在于：车载终端电池管理系统对动力电池建立具有两个RC电路的等效电路模型，步骤三中对电池组正常电压进行预测具体基于以下公式：
Figure FDA0003274840620000027
其中，Φt＝[yt-1yt-2ItIt-1It-2]T，yt＝Ut,ocv-Ut,measure，It(t＝1,2,…,k)为时间步长t处测得的电流值；Ut,measure为在时间步长t处测得的端电压；Ut,pred为预测值；Ut,ocv是时间步长t的OCV，由基于带遗忘因子的扩展卡尔曼滤波器估计出的SOC输入拟合出的SOC-OCV关系来确定；
Figure FDA0003274840620000031
是参数矩阵
Figure FDA0003274840620000032
由下式确定：
Figure FDA0003274840620000033
其中，KLs,t＝PLs,t-1Φt T[ΦtPLs,t-1Φt T+μ]-1，PLs,t由
Figure FDA0003274840620000034
进行计算得到，μ是遗忘因子。
5.一种基于信息物理融合技术的动力电池故障监测系统，用于执行上述权利要求1-4任一项所述的方法，所述系统包括：
物理实体、车载终端电池管理系统和云端管理系统；
其中，所述物理实体为待检测的动力电池组，是所述管理与监测系统的被控对象，以及作为所述车载终端电池管理系统与云端管理系统的数据来源；
所述车载终端管理系统中的电池数据采集模块利用传感设备与车内通讯线路对物理实体进行数据采集，对采集到的原始数据进行初步的预处理后，通过无线通讯设备上传至云端管理系统的数据库中进行电池历史数据的存储；
所述云端管理系统对从上传的数据进行存储，利用电池历史数据、电池测试实验数据构建数据库；在云端管理系统中的云计算服务器运行LSTMN，对当前循环SOH进行估计，随后基于SOH估计结果结合BP神经网络得到SOC-OCV关系，通过无线通讯设备将所述SOC-OCV关系回传至车载终端电池管理系统，用于在车载终端管理系统中基于EKF估计SOC并结合所述SOC-OCV关系估计电池组正常电压，以及对电池模型参数的更新；
对云端管理系统中LSTMN、BP神经网络进行训练，以及在车载终端电池管理系统中对等效电路模型进行参数辨识所使用的数据，均通过在实验环境中，针对同类型动力电池组开展循环充放电测试实验得到；所述物理实体、实验环境构成所述系统的物理层，云端管理系统则作为系统的信息层。
CN202111114665.1A 2021-09-23 2021-09-23 基于信息物理融合技术的动力电池故障监测方法及系统 Active CN113960476B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111114665.1A CN113960476B (zh) 2021-09-23 2021-09-23 基于信息物理融合技术的动力电池故障监测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111114665.1A CN113960476B (zh) 2021-09-23 2021-09-23 基于信息物理融合技术的动力电池故障监测方法及系统

Publications (2)

Publication Number Publication Date
CN113960476A true CN113960476A (zh) 2022-01-21
CN113960476B CN113960476B (zh) 2023-10-17

Family

ID=79462445

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111114665.1A Active CN113960476B (zh) 2021-09-23 2021-09-23 基于信息物理融合技术的动力电池故障监测方法及系统

Country Status (1)

Country Link
CN (1) CN113960476B (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114240260A (zh) * 2022-02-17 2022-03-25 北京航空航天大学 一种基于数字孪生的新能源群体车辆热失控风险评估方法
CN114935722A (zh) * 2022-05-30 2022-08-23 武汉理工大学 基于数字孪生的锂电池边端协同管理方法
CN115033035A (zh) * 2022-03-07 2022-09-09 东方醒狮储能电池有限公司 一种储能车的控制方法及系统
CN115097321A (zh) * 2022-08-29 2022-09-23 北京航空航天大学 基于数字孪生的锂电池eis和soh估计方法
CN115144756A (zh) * 2022-06-27 2022-10-04 深圳市冰旭科技有限公司 一种基于5gnb-iot技术的新能源安全预警管理系统及方法
CN115407217A (zh) * 2022-11-01 2022-11-29 北京航空航天大学 一种电动汽车锂电池荷电状态在线估计方法及系统
CN115494401A (zh) * 2022-11-14 2022-12-20 湖北工业大学 一种基于信息融合的动力电池云端数据清洗方法
CN116430244A (zh) * 2023-06-14 2023-07-14 聊城大学 一种基于电压电流特征的动力电池健康状态估计方法
DE102022202112A1 (de) 2022-03-02 2023-09-07 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zur Diagnose einer Gerätebatterie eines technischen Geräts auf Basis elektrochemischer Modellparameter
CN116879763A (zh) * 2023-09-07 2023-10-13 上海融和元储能源有限公司 一种基于卡尔曼滤波算法的电池故障预警方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160002336A (ko) * 2014-06-30 2016-01-07 숭실대학교산학협력단 듀얼확장칼만필터를 이용한 배터리 상태 추정 방법, 시스템 및 이를 수행하기 위한 기록매체
US20180143257A1 (en) * 2016-11-21 2018-05-24 Battelle Energy Alliance, Llc Systems and methods for estimation and prediction of battery health and performance
CN108544925A (zh) * 2018-04-02 2018-09-18 北京理工大学 电池管理系统
CN108749607A (zh) * 2018-05-23 2018-11-06 清华大学深圳研究生院 一种基于云计算的电动汽车动力电池管理和监控系统
CN110146823A (zh) * 2019-06-06 2019-08-20 重庆大学 一种基于信息融合的串联电池组soc估计方法
CN111999648A (zh) * 2020-08-20 2020-11-27 浙江工业大学 一种基于长短期记忆网络的锂电池剩余寿命预测方法
CN112331941A (zh) * 2020-11-20 2021-02-05 中国科学技术大学 云端辅助电池管理系统及方法
CN112763929A (zh) * 2020-12-31 2021-05-07 华东理工大学 一种储能电站系统电池单体健康预测方法及装置
CN112765772A (zh) * 2020-12-25 2021-05-07 武汉理工大学 一种基于数据驱动的动力电池剩余寿命预测方法
CN112816875A (zh) * 2020-12-25 2021-05-18 珠海格力电器股份有限公司 电动车辆电池云端管理系统、方法、介质及云端服务器

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160002336A (ko) * 2014-06-30 2016-01-07 숭실대학교산학협력단 듀얼확장칼만필터를 이용한 배터리 상태 추정 방법, 시스템 및 이를 수행하기 위한 기록매체
US20180143257A1 (en) * 2016-11-21 2018-05-24 Battelle Energy Alliance, Llc Systems and methods for estimation and prediction of battery health and performance
CN108544925A (zh) * 2018-04-02 2018-09-18 北京理工大学 电池管理系统
CN108749607A (zh) * 2018-05-23 2018-11-06 清华大学深圳研究生院 一种基于云计算的电动汽车动力电池管理和监控系统
CN110146823A (zh) * 2019-06-06 2019-08-20 重庆大学 一种基于信息融合的串联电池组soc估计方法
CN111999648A (zh) * 2020-08-20 2020-11-27 浙江工业大学 一种基于长短期记忆网络的锂电池剩余寿命预测方法
CN112331941A (zh) * 2020-11-20 2021-02-05 中国科学技术大学 云端辅助电池管理系统及方法
CN112765772A (zh) * 2020-12-25 2021-05-07 武汉理工大学 一种基于数据驱动的动力电池剩余寿命预测方法
CN112816875A (zh) * 2020-12-25 2021-05-18 珠海格力电器股份有限公司 电动车辆电池云端管理系统、方法、介质及云端服务器
CN112763929A (zh) * 2020-12-31 2021-05-07 华东理工大学 一种储能电站系统电池单体健康预测方法及装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
ZHANG, H ; HE, ZY; WANG, YL: "Control Strategy Research of Auxiliary Power Unit in Range-extended Electric Bus", 2014 IEEE TRANSPORTATION ELECTRIFICATION CONFERENCE AND EXPO (ITEC) ASIA-PACIFIC 2014, pages 2693 - 3586 *
常江 等: "基于等效电路模型的锂离子参数辨识和荷电状态估计", 2020中国汽车工程学会年会论文集, pages 568 - 573 *
张家昌: "基于深度神经网络的电动汽车单体电池故障诊断研究", 重庆邮电大学硕士学位论文, pages 35 - 74 *
陈江波;: "基于BP-EKF算法的电动汽车电池管理系统SOC精准估计", 南方农机, vol. 51, no. 03, pages 105 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114240260B (zh) * 2022-02-17 2022-05-20 北京航空航天大学 一种基于数字孪生的新能源群体车辆热失控风险评估方法
CN114240260A (zh) * 2022-02-17 2022-03-25 北京航空航天大学 一种基于数字孪生的新能源群体车辆热失控风险评估方法
DE102022202112A1 (de) 2022-03-02 2023-09-07 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zur Diagnose einer Gerätebatterie eines technischen Geräts auf Basis elektrochemischer Modellparameter
CN115033035A (zh) * 2022-03-07 2022-09-09 东方醒狮储能电池有限公司 一种储能车的控制方法及系统
CN114935722A (zh) * 2022-05-30 2022-08-23 武汉理工大学 基于数字孪生的锂电池边端协同管理方法
CN114935722B (zh) * 2022-05-30 2024-01-12 武汉理工大学 基于数字孪生的锂电池边端协同管理方法
CN115144756A (zh) * 2022-06-27 2022-10-04 深圳市冰旭科技有限公司 一种基于5gnb-iot技术的新能源安全预警管理系统及方法
CN115097321A (zh) * 2022-08-29 2022-09-23 北京航空航天大学 基于数字孪生的锂电池eis和soh估计方法
CN115407217A (zh) * 2022-11-01 2022-11-29 北京航空航天大学 一种电动汽车锂电池荷电状态在线估计方法及系统
CN115494401A (zh) * 2022-11-14 2022-12-20 湖北工业大学 一种基于信息融合的动力电池云端数据清洗方法
CN116430244B (zh) * 2023-06-14 2023-08-15 聊城大学 一种基于电压电流特征的动力电池健康状态估计方法
CN116430244A (zh) * 2023-06-14 2023-07-14 聊城大学 一种基于电压电流特征的动力电池健康状态估计方法
CN116879763A (zh) * 2023-09-07 2023-10-13 上海融和元储能源有限公司 一种基于卡尔曼滤波算法的电池故障预警方法

Also Published As

Publication number Publication date
CN113960476B (zh) 2023-10-17

Similar Documents

Publication Publication Date Title
CN113960476B (zh) 基于信息物理融合技术的动力电池故障监测方法及系统
Li et al. Big data driven lithium-ion battery modeling method based on SDAE-ELM algorithm and data pre-processing technology
Farmann et al. A comprehensive review of on-board State-of-Available-Power prediction techniques for lithium-ion batteries in electric vehicles
Panchal et al. Thermal and electrical performance assessments of lithium-ion battery modules for an electric vehicle under actual drive cycles
KR102239040B1 (ko) 운송 수단의 부품에 대한 고장예지 및 건전성 관리 시스템 및 방법
CN114372417A (zh) 基于充电网的电动汽车电池健康状态和剩余寿命评估方法
Hashemi et al. Machine learning‐based model for lithium‐ion batteries in BMS of electric/hybrid electric aircraft
CN109001640B (zh) 一种动力电池的数据处理方法和装置
JP2020170699A (ja) 電池パックの放電プロファイルを予測するためのシステム、方法および記憶媒体
CN111595485B (zh) 一种基于降阶模型的锂离子电池在线温度分布观测器设计方法
Hashemi et al. Online estimation of battery model parameters and state of health in electric and hybrid aircraft application
KR102297343B1 (ko) 하이브리드 varma 및 lstm을 이용한 배터리의 출력 전압 응답 및 충전 상태 예측 방법
KR20190123172A (ko) 배터리 상태 추정 방법
CN110146817A (zh) 锂电池故障的诊断方法
CN115291116A (zh) 储能电池健康状态预测方法、装置及智能终端
CN113728242A (zh) 对可充电电池中的析锂进行表征
Dong et al. Model-based thermal anomaly detection for lithium-ion batteries using multiple-model residual generation
He et al. Voltage abnormality-based fault diagnosis for batteries in electric buses with a self-adapting update model
KR102246633B1 (ko) 하이브리드 varma 및 lstm을 이용한 배터리의 출력 전압 응답 및 충전 상태 예측 최적화 방법
CN116125306A (zh) 基于混合预测框架的动力电池热失控诊断方法及系统
CN114779107A (zh) 一种考虑温度影响的锂离子电池soc估计方法
Garg et al. Reconfigurable battery systems: Challenges and safety solutions using intelligent system framework based on digital twins
Anandavel et al. Application of digital twins to the product lifecycle management of battery packs of electric vehicles
Chen et al. A novel combined estimation method for state of energy and predicted maximum available energy based on fractional-order modeling
CN115219932A (zh) 用于评价设备电池组的相对老化状态的方法和装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant