CN114509678A - 一种基于大数据的动力电池热失控预测方法 - Google Patents
一种基于大数据的动力电池热失控预测方法 Download PDFInfo
- Publication number
- CN114509678A CN114509678A CN202210125945.0A CN202210125945A CN114509678A CN 114509678 A CN114509678 A CN 114509678A CN 202210125945 A CN202210125945 A CN 202210125945A CN 114509678 A CN114509678 A CN 114509678A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- thermal runaway
- terminal voltage
- monomer
- standing
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000012216 screening Methods 0.000 claims abstract description 4
- 239000000178 monomer Substances 0.000 claims description 44
- 239000013598 vector Substances 0.000 claims description 33
- 239000011159 matrix material Substances 0.000 claims description 25
- 239000000126 substance Substances 0.000 claims description 5
- 241000287196 Asthenes Species 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000002485 combustion reaction Methods 0.000 description 2
- 239000000779 smoke Substances 0.000 description 2
- 230000002269 spontaneous effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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]
- G01R31/367—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
- G01R31/005—Testing of electric installations on transport means
- G01R31/006—Testing of electric installations on transport means on road vehicles, e.g. automobiles or trucks
-
- 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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Combustion & Propulsion (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明涉及新能源汽车技术领域,尤其涉及一种基于大数据的动力电池热失控预测方法,本发明利用新能源汽车大数据,对检测车辆PACK内所有单体的端电压保持长期采集,数据进行清洗处理后,建立一维线性数学模型,根据数学模型计算获得所有单体拟合曲线的当前值集合和斜率值集合。用当前值评估内短路的严重程度,用斜率是来评估其内短路的变化速率。依据严重程度和变化速率评估因内短路引发动力电池热失控的风险。为实现计算机的自动识别,本方案提出获得所有装车的同款电芯的当前值集合和斜率值集合。在获得所有电芯当前值和斜率值后,利用离群算法筛选有较大风险发生热失控的电芯,并判断该电芯所归属的车辆有发生热失控的风险。
Description
技术领域
本发明涉及新能源汽车技术领域,尤其涉及一种基于大数据的动力电池热失控预测方法。
背景技术
当前,新能源汽车因动力电池热失控而引发的自燃时有发生,已经成为阻碍潜在购车用户购买新能源车的主要原因之一。现有技术通过在电池PACK内设置气压传感器或烟雾传感器的方法诊断热失控发生,当检测到包内气压超过阈值或监测到烟雾时,判断为发生热失控,该方法只能失控已发生时有效,不能做到提前预测热失控。
发明内容
针对上述现有技术采用检测热失控的方法,只能在热失控已发生时起作用,无法在热失控发生之前提前预判的问题,提供具备预判存在热失控风险的电池PACK的一种基于大数据的动力电池热失控预测方法。
为解决上述技术问题,本发明提供一种基于大数据的动力电池热失控预测方法,包括以下步骤:
S1、收集指定同一车型的若干车辆单体停车静置N小时后的电池PACK内各电芯的端电压,得到单体端电压阵列;
S2、基于车辆单体的端电压阵列,计算获得该车辆单体的各帧平均端电压列向量;
S3、基于各帧平均端电压列向量,计算获得该车辆单体的端电压压差矩阵;
S4、基于该车辆单体的端电压压差矩阵,计算获得该车辆单体的平均端电压压差向量;
S5、获取至少一次该车辆单体停车静置N小时后的电池PACK的单体压差矩阵;
S6、将所述车辆单体的单体压差矩阵按列进行拆分,获得该车辆单体停车静置N小时后的压差电压向量;
S7、对所述各车辆单体的停车静置N小时后的压差电压向量进行拟合,得到所述指定同一车型的所有车辆单体电芯的斜率集和压差集;
S8、将步骤S7得到的斜率集和压差集进行筛选,得到离群的斜率子集和压差子集;
S9、通过对斜率子集和压差子集判断所属的车辆单体的电池PACK是否存在热失控风险。
本方案利用新能源汽车国家大数据平台为数据来源,结合电芯的物化机理,建立了一套能在线实时获得电芯端电压压差矩阵,并通过该矩阵在时间轴上的变化趋势提前预判热失控的发生。
进一步的,所述步骤S1中,单体端电压阵列为G:
其中,Dn为第n次停车静置的数据矩阵;
其中,Unk为第n次停车静置的第k帧充电单体端电压向量;Unk=[un1k un2k un3k …unmk],unmk为车辆单体第n次停车静置的第k帧的第m个单体端电压,k∈[100,+∞),k值的取值范围为正整数。
进一步的,所述步骤S2中,对Unk向量按照正态分布的3σ原则排除异常数据,得到有效数据,计算有效数据的算术平均值获得平均电压vnk,则第n次车辆单体停车静置的各帧平均端电压列向量为:
其中,vnk为第n次停车静置,第k帧充电数据的单体的平均电压;
其中,i表示电芯编号。
进一步的,所述步骤S3中,端电压压差矩阵为ΔVn:
ΔVn=Dn-Vn
进一步的,所述步骤S4中,第n次停车静置的该车辆单体的平均端电压压差向量Mn:
Mn=[mn1 mn2 mn3 … mnm]
其中,mnm为n次停车静置的第m串电芯的平均压差;
其中,d为第n次停车静置获得的数据总帧数。
进一步的,所述步骤S5中,通过Mn获得该电池PACK历次停车静置的单体压差矩阵M:
进一步的,所述步骤S6中,将M按列进行拆分,获得该车辆单体停车静置N小时后的压差电压向量ΔV′m,m为单体编号。
进一步的,所述步骤S7中,对ΔV′m采用最小二乘法进行一次拟合,得到一元一次线性方程:
Δu=km*n+bm
其中,Δu为拟合后的第n次充电压差值;
km为斜率;n为充电次数;bm为截距;
获得相同型号的所有存量车电芯的斜率集k和压差值集u。
进一步的,所述步骤S8中,将步骤S7得到的斜率集k和压差值集u,通过正态分布3σ原则,筛选出离群的斜率子集k’值和压差子集u’值。
进一步的,所述步骤S9中,对斜率子集k’值和压差子集u’值进行判断,当k’∈(-∞,μ-3σ]或u’∈(-∞,μ-3σ],断定该车辆单体的电池PACK存在热失控风险。
相比于现有技术,本发明的优点及有益效果在于:本发明的方案基于新能源汽车国家大数据平台为数据,对指定车型配备的电池PACK的电芯进行判断,筛选出存在热失控风险的电池PACK,在热失控前对存在风险的电池PACK进行处理。
附图说明
图1为本发明的预测方法流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,下面通过具体实施方式结合附图对本发明做进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
正常情况下,电池PACK除针刺、碰撞等外力原因造成动力电芯瞬间发生热失控外,一般情况下的热失控是因为过充过放造成的,此类热失控并非瞬间发生,通常会有一个较长的演变过程,伴随该过程的特征是其电芯端电压相对于其它正常电芯端电压越来越低。因此通过历史数据分析端电压压差的变化情况可有效预测热失控的发生。
一种基于大数据的动力电池热失控预测方法,包括以下步骤:
S1、收集指定同一车型的若干车辆单体停车静置N小时后的电池PACK内各电芯的端电压,得到单体端电压阵列;
S2、基于车辆单体的端电压阵列,计算获得该车辆单体的各帧平均端电压列向量;
S3、基于各帧平均端电压列向量,计算获得该车辆单体的端电压压差矩阵;
S4、基于该车辆单体的端电压压差矩阵,计算获得该车辆单体的平均端电压压差向量;
S5、获取至少一次该车辆单体停车静置N小时后的电池PACK的单体压差矩阵;
S6、将车辆单体的单体压差矩阵按列进行拆分,获得该车辆单体停车静置N小时后的压差电压向量;
S7、对各车辆单体的停车静置N小时后的压差电压向量进行拟合,得到指定同一车型的所有车辆单体电芯的斜率集和压差集;
S8、将步骤S7得到的斜率集和压差集进行筛选,得到离群的斜率子集和压差子集;
S9、通过对斜率子集和压差子集判断所属的车辆单体的电池PACK是否存在热失控风险。
本方案利用新能源汽车国家大数据平台为数据来源,结合电芯的物化机理,建立了一套能在线实时获得电芯端电压压差矩阵,并通过该矩阵在时间轴上的变化趋势提前预判热失控的发生。
本发明的方案在实施过程中,对指定车型的车辆单体测试数量在90-110辆之间,在车辆出售后,对每个车辆单体的各电芯的端电压保持长期采集,因数据量庞大,为了满足本发明的预防方法,采用3σ原则对数据进行处理,依据拟合曲线计算出来的当前值,以斜率是来评估其内部热失控变化的速度。
实际应用中,存在过充过放诱发热失控发生的原因,且充电状态下无法准确诊断其端电压的细微变化,针对目前市场常用的电池PACK,通常在车辆停车2小时后能检测准确的电芯的端电压变化,因此,本发明中的N值为2,在停车静置2小时后,对车辆单体进行检测。随着电池PACK技术的发展,K值根据实际情况进行调整。
具体的,步骤S1中,单体端电压阵列为G:
其中,Dn为第n次停车静置的数据矩阵;
其中,Unk为第n次停车静置的第k帧充电单体端电压向量;Unk=[un1k un2k un3k …unmk],unmk为车辆单体第n次停车静置的第k帧的第m个单体端电压,k∈[100,+∞),k值的取值范围为正整数。
具体的,步骤S2中,对Unk向量按照正态分布的3σ原则排除异常数据,得到有效数据,计算有效数据的算术平均值获得平均电压vnk,则第n次车辆单体停车静置的各帧平均端电压列向量为:
其中,vnk为第n次停车静置,第k帧充电数据的单体的平均电压;
其中,i表示电芯编号。
具体的,步骤S3中,端电压压差矩阵为ΔVn:
ΔVn=Dn-Vn
具体的,步骤S4中,第n次停车静置的该车辆单体的平均端电压压差向量Mn:
Mn=[mn1 mn2 mn3 … mnm]
其中,mnm为n次停车静置的第m串电芯的平均压差;
其中,d为第n次停车静置获得的数据总帧数。
具体的,步骤S5中,通过Mn获得该电池PACK历次停车静置的单体压差矩阵M:
具体的,步骤S6中,将M按列进行拆分,获得该车辆单体停车静置N小时后的压差电压向量ΔV′m,m为单体编号。
具体的,步骤S7中,对ΔVm′采用最小二乘法进行一次拟合,得到一元一次线性方程:
Δu=km*n+bm
其中,Δu为拟合后的第n次充电压差值;
km为斜率;n为充电次数;bm为截距;
获得相同型号的所有存量车电芯的斜率集k和压差值集u。
具体的,步骤S8中,将步骤S7得到的斜率集k和压差值集u,通过正态分布3σ原则,筛选出离群的斜率子集k’值和压差子集u’值。
具体的,步骤S9中,对斜率子集k’值和压差子集u’值进行判断,当k’∈(-∞,μ-3σ]或u’∈(-∞,μ-3σ],断定该车辆单体的电池PACK存在热失控风险。
以上内容是结合具体的实施方式对本发明所做的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (10)
1.一种基于大数据的动力电池热失控预测方法,其特征在于,包括以下步骤:
S1、收集指定同一车型的若干车辆单体停车静置N小时后的电池PACK内各电芯的端电压,得到单体端电压阵列;
S2、基于车辆单体的端电压阵列,计算获得该车辆单体的各帧平均端电压列向量;
S3、基于各帧平均端电压列向量,计算获得该车辆单体的端电压压差矩阵;
S4、基于该车辆单体的端电压压差矩阵,计算获得该车辆单体的平均端电压压差向量;
S5、获取至少一次该车辆单体停车静置N小时后的电池PACK的单体压差矩阵;
S6、将所述车辆单体的单体压差矩阵按列进行拆分,获得该车辆单体停车静置N小时后的压差电压向量;
S7、对所述各车辆单体的停车静置N小时后的压差电压向量进行拟合,得到所述指定同一车型的所有车辆单体电芯的斜率集和压差集;
S8、将步骤S7得到的斜率集和压差集进行筛选,得到离群的斜率子集和压差子集;
S9、通过对斜率子集和压差子集判断所属的车辆单体的电池PACK是否存在热失控风险。
7.根据权利要求6所述的一种基于大数据的动力电池热失控预测方法,其特征在于,所述步骤S6中,将M按列进行拆分,获得该车辆单体停车静置N小时后的压差电压向量ΔV′m,m为单体编号。
8.根据权利要求7所述的一种基于大数据的动力电池热失控预测方法,其特征在于,所述步骤S7中,对ΔV′m采用最小二乘法进行一次拟合,得到一元一次线性方程:
Δu=km*n+bm
其中,Δu为拟合后的第n次充电压差值;
km为斜率;n为充电次数;bm为截距;
获得相同型号的所有存量车电芯的斜率集k和压差值集u。
9.根据权利要求8所述的一种基于大数据的动力电池热失控预测方法,其特征在于,所述步骤S8中,将步骤S7得到的斜率集k和压差值集u,通过正态分布3σ原则,筛选出离群的斜率子集k’值和压差子集u’值。
10.根据权利要求8所述的一种基于大数据的动力电池热失控预测方法,其特征在于,所述步骤S9中,对斜率子集k’值和压差子集u’值进行判断,当k’∈(-∞,μ-3σ]或u’∈(-∞,μ-3σ],断定该车辆单体的电池PACK存在热失控风险。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210125945.0A CN114509678A (zh) | 2022-02-10 | 2022-02-10 | 一种基于大数据的动力电池热失控预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210125945.0A CN114509678A (zh) | 2022-02-10 | 2022-02-10 | 一种基于大数据的动力电池热失控预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114509678A true CN114509678A (zh) | 2022-05-17 |
Family
ID=81551274
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210125945.0A Pending CN114509678A (zh) | 2022-02-10 | 2022-02-10 | 一种基于大数据的动力电池热失控预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114509678A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114966434A (zh) * | 2022-07-29 | 2022-08-30 | 力高(山东)新能源技术有限公司 | 一种判断电芯电压偏离的方法 |
CN117216469A (zh) * | 2023-09-03 | 2023-12-12 | 国网江苏省电力有限公司信息通信分公司 | 一种电力系统实时监测与预测的大数据处理方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110161414A (zh) * | 2019-06-13 | 2019-08-23 | 北京理工大学 | 一种动力电池热失控在线预测方法及系统 |
CN112485674A (zh) * | 2020-11-20 | 2021-03-12 | 清华大学 | 一种正向锂离子电池内短路热失控建模方法 |
CN113036250A (zh) * | 2021-02-27 | 2021-06-25 | 重庆长安新能源汽车科技有限公司 | 一种动力电池热失控全时段监控系统、方法及新能源汽车 |
WO2021259196A1 (zh) * | 2020-06-22 | 2021-12-30 | 北京理工大学 | 一种电池组一致性评估方法及系统 |
CN113960484A (zh) * | 2021-11-10 | 2022-01-21 | 北京理工大学重庆创新中心 | 一种基于单体压差的大数据电池健康诊断方法 |
-
2022
- 2022-02-10 CN CN202210125945.0A patent/CN114509678A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110161414A (zh) * | 2019-06-13 | 2019-08-23 | 北京理工大学 | 一种动力电池热失控在线预测方法及系统 |
WO2021259196A1 (zh) * | 2020-06-22 | 2021-12-30 | 北京理工大学 | 一种电池组一致性评估方法及系统 |
CN112485674A (zh) * | 2020-11-20 | 2021-03-12 | 清华大学 | 一种正向锂离子电池内短路热失控建模方法 |
CN113036250A (zh) * | 2021-02-27 | 2021-06-25 | 重庆长安新能源汽车科技有限公司 | 一种动力电池热失控全时段监控系统、方法及新能源汽车 |
CN113960484A (zh) * | 2021-11-10 | 2022-01-21 | 北京理工大学重庆创新中心 | 一种基于单体压差的大数据电池健康诊断方法 |
Non-Patent Citations (1)
Title |
---|
邵庆;喻攀;黄欢;胡志祥;李骁;王晨鸣;: "锂电池热失控预警机制设计", 内燃机与配件, no. 09, 15 May 2020 (2020-05-15) * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114966434A (zh) * | 2022-07-29 | 2022-08-30 | 力高(山东)新能源技术有限公司 | 一种判断电芯电压偏离的方法 |
CN114966434B (zh) * | 2022-07-29 | 2022-10-28 | 力高(山东)新能源技术股份有限公司 | 一种判断电芯电压偏离的方法 |
CN117216469A (zh) * | 2023-09-03 | 2023-12-12 | 国网江苏省电力有限公司信息通信分公司 | 一种电力系统实时监测与预测的大数据处理方法及系统 |
CN117216469B (zh) * | 2023-09-03 | 2024-03-15 | 国网江苏省电力有限公司信息通信分公司 | 一种电力系统实时监测与预测的大数据处理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110794305B (zh) | 一种动力电池故障诊断方法和系统 | |
CN111707951B (zh) | 一种电池组一致性评估方法及系统 | |
CN112092675B (zh) | 一种电池热失控预警方法、系统及服务器 | |
Tian et al. | Consistency evaluation and cluster analysis for lithium-ion battery pack in electric vehicles | |
CN114509678A (zh) | 一种基于大数据的动力电池热失控预测方法 | |
CN110376530B (zh) | 电池内短路检测装置及方法 | |
CN111679201B (zh) | 一种动力电池包内短路的检测方法 | |
CN111965560B (zh) | 一种面向通用放电工况的电池健康状态估计方法 | |
CN110045291B (zh) | 一种锂电池容量估计方法 | |
CN113777515A (zh) | 一种电动汽车充电安全预警方法 | |
CN111812529A (zh) | 一种时变循环工况下锂离子电池老化热失控测试方法 | |
CN113459894B (zh) | 一种电动汽车电池安全预警方法及系统 | |
CN115639481B (zh) | 基于大数据预测soc的电池数据预处理系统及方法 | |
CN115494400B (zh) | 一种基于集成学习的锂电池析锂状态在线监控方法 | |
KR20210000207A (ko) | 내부 단락 셀 검출 방법 | |
CN112363061A (zh) | 一种基于大数据的热失控风险评估方法 | |
CN113602147A (zh) | 电池故障检测方法及电池故障检测装置 | |
CN112986839B (zh) | 基于置信区间的锂离子动力电池组的故障诊断方法与系统 | |
Xu et al. | Safety warning analysis for power battery packs in electric vehicles with running data | |
CN116973782B (zh) | 基于机器学习的新能源汽车保养维护与故障监测诊断方法 | |
CN115684975A (zh) | 一种基于均衡电量量化电池微短路的方法及系统 | |
CN115308617B (zh) | 一种锂离子电池内部短路诊断方法 | |
CN113687256A (zh) | 一种评估单体自放电率对电池系统一致性影响的方法 | |
CN113894059A (zh) | 一种梯次利用磷酸铁锂电池的分选方法 | |
CN113533985A (zh) | 一种电池包内阻异常模块的识别方法及其存储介质 |
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 |