CN114559819A - 一种基于信号处理的电动汽车电池安全预警方法 - Google Patents

一种基于信号处理的电动汽车电池安全预警方法 Download PDF

Info

Publication number
CN114559819A
CN114559819A CN202210088062.7A CN202210088062A CN114559819A CN 114559819 A CN114559819 A CN 114559819A CN 202210088062 A CN202210088062 A CN 202210088062A CN 114559819 A CN114559819 A CN 114559819A
Authority
CN
China
Prior art keywords
state
fault
battery
monomer
characteristic
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
CN202210088062.7A
Other languages
English (en)
Other versions
CN114559819B (zh
Inventor
马兹林
邱昭
钟政
邓忠伟
江露露
周文涛
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.)
Chongqing Biao Neng Ruiyuan Energy Storage Technology Research Institute Co ltd
Original Assignee
Chongqing Biao Neng Ruiyuan Energy Storage Technology Research Institute Co ltd
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 Chongqing Biao Neng Ruiyuan Energy Storage Technology Research Institute Co ltd filed Critical Chongqing Biao Neng Ruiyuan Energy Storage Technology Research Institute Co ltd
Priority to CN202210088062.7A priority Critical patent/CN114559819B/zh
Publication of CN114559819A publication Critical patent/CN114559819A/zh
Application granted granted Critical
Publication of CN114559819B publication Critical patent/CN114559819B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • BPERFORMING OPERATIONS; TRANSPORTING
    • B60VEHICLES IN GENERAL
    • B60LPROPULSION 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
    • B60L3/00Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
    • B60L3/0023Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train
    • B60L3/0046Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train relating to electric energy storage systems, e.g. batteries or capacitors
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B60VEHICLES IN GENERAL
    • B60LPROPULSION 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
    • B60L58/00Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/10Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B60VEHICLES IN GENERAL
    • B60LPROPULSION 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
    • B60L58/00Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/10Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
    • B60L58/24Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries for controlling the temperature of batteries
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02TCLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00Road transport of goods or passengers
    • Y02T10/60Other road transportation technologies with climate change mitigation effect
    • Y02T10/70Energy storage systems for electromobility, e.g. batteries

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Secondary Cells (AREA)
  • Tests Of Electric Status Of Batteries (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明公开了一种基于信号处理的电动汽车电池安全预警方法,该方法包括以下步骤:S1:数据获取、S2:特征提取、S3:状态计算、S4:状态评价、S5:电池组提前检测、S6:故障单体定位、S7:故障原因判断;本发明一种基于信号处理的电动汽车电池安全预警方法是基于实车数据的诊断方法,无需大量建模和反复训练,复杂度较小足以应用于实车的在线故障诊断,能够提前于实车BMS报警信号和热失控发生时刻检测到故障发生,采用了状态差累积和的方法,相对于直接与固定阈值比较的方式,能够有效降低误报率,采用多特征输入,充分考虑了电池故障的复杂性和特征的交叉性,使得诊断鲁棒性和可靠性更高。

Description

一种基于信号处理的电动汽车电池安全预警方法
技术领域
本发明涉及电池故障诊断技术领域,具体为一种基于信号处理的电动汽车电池安全预警方法。
背景技术
锂离子电池由于具有能量密度高、循环寿命长、环境友好且价格逐年降低等优势,已成为电动汽车主流的储能部件,然而近年来电动汽车热失控、燃烧、爆炸等安全事故逐年增加,电池系统的安全性成为电动汽车快速发展的重要挑战,国标GB也对电池热失控安全性提出越来越高的要求。除了从电芯材料改性和结构设计方面提高电芯安全性,对电池系统进行状态监控和故障诊断,尽早发现出潜在的故障和危险,对提高电池系统和电动汽车的安全性至关重要。
电池系统包含多种复杂的故障,而众多研究表明电动汽车自燃着火等事故主要来源于动力电池。目前主流的电池故障诊断方法分为基于模型和数据驱动的方法。在实际应用中,电池汽车上电池组一般由数百个电芯串并联组成,基于模型的方法需要大量的建模工作,且诊断效果受模型精度和鲁棒性的影响较大;机器学习算法的精度跟训练数据的数量和质量密切相关,大量的电池故障数据不易获得,限制了该方法的应用。另一方面,现有的故障诊断研究大多基于实验条件而没有经过实车验证,且只检测到故障出现,并没有判断故障类型。因此,亟需开发出适用于实车的安全预警方法,减少安全事故的发生。
基于此,本发明拟充分利用实车数据,基于信号处理的方法,实现电动汽车电池的安全预警。
发明内容
针对上述存在的技术不足,本发明的目的是提供一种基于信号处理的电动汽车电池安全预警方法,以解决背景技术中提出的问题。
为解决上述技术问题,本发明采用如下技术方案:
本发明提供一种基于信号处理的电动汽车电池安全预警方法,该方法包括以下步骤:
S1:数据获取:获取各车型在报警前后的电池数据,具体包括电流、单体电压、探针温度和对应的报警信号数据,对所获数据进行数据前处理操作;
S2:特征提取:从获取的电池数据中提取表征电池实时状态的特征一和特征二,其特征一为单体电压,特征二为标准化后的探针温度,对特征一和特征二进行数据平滑处理;
S3:状态计算:根据未报警时刻下对应的特征一和特征二,基于状态表示法分别计算得到电池组各电池单体和温度探针在正常情况下的状态权重参数和状态值,接着按照设定的固定时间窗口长度划分特征,构建各个时间窗口下的特征矩阵,参考正常情况下的状态权重参数,计算各个时间窗口下的电池组各电池单体状态值和温度探针状态值;
S4:状态评价:基于状态差累积和的方法,计算各个时间窗口下电池组各单体状态值与其对应的正常状态值之间差值的累积和,将状态差累积和与阈值进行比较,判定是否存在有异常的窗口,通过异常窗口得到电池组出现异常的时刻,以及得到温度对应的故障时刻作为电池包故障诊断的辅助判断依据;
S5:电池组提前检测:将故障时刻与实车BMS报警时刻、实车热失控发生时刻进行对比,判断是否实现提前预警;
S6:故障单体定位:处于状态最低值的单体确定为故障单体,处于状态最高值的温度探针为作为辅助判断故障单体位置的依据;
S7:故障原因判断:以单体异常出现时刻为节点,将所有样本长度划分为前、中、后三个阶段,计算电池组各单体状态在各个时间段的峰度值和偏度值,分析故障单体的离群情况,判断出电池故障原因。
优选地,所述步骤S1具体包括以下步骤:
S11:提取不同车型实车的历史数据,包括电流、单体电压、探针温度和对应的报警信号数据;
S12:将各车型的数据按是否发生报警进行分类,得到各车型在未报警时的电池数据和报警时的电池数据;
S13:对所提取的数据进行去重补漏、采集异常点剔除数据前处理。
优选地,所述步骤S2具体包括以下步骤:
S21:选择单体电压和探针温度作为原始特征;
S22:构建单体电压矩阵;
S23:将单体电压标准化后构建特征向量,作为特征一;
S24:对特征向量进行平滑处理;
S25:将单体电压换为探针温度,重复步骤S22~S24,构建标准化后的探针温度特征向量,作为特征二。
优选地,所述步骤S3具体包括以下步骤:
S31:确定时间窗口长度为g个数据采样点长度;
S32:构建每个时间窗口下的单体电压特征矩阵;
S33:根据最小二乘误差目标函数,计算第一个窗口下的单体电压的状态矩阵对应的基准参数向量;
S34:计算第一个窗口下的单体电压的状态矩阵对应的基准状态向量;
S35:计算各个时间窗口下的电池包各电池单体的状态向量;
S36:将电压特征矩阵换为探针温度特征矩阵,重复步骤S32~S35,得到特征二对应的基准参数向量和各个时间窗口下的状态向量。
优选地,所述步骤S4具体包括以下步骤:
S41:计算特征一各个时间窗口下的状态与对应的基准状态的差值;
S42:计算状态差最大似然比的累积和;
S43:根据最大似然比累积和与阈值进行比较,进而进行状态异常判断;
S44:根据步骤S43中得到的异常窗口,对应到数据采样时刻,得到电池组故障出现时刻;
S45:将电压特征矩阵换为探针温度特征矩阵,重复步骤S41~S44,得到特征二对应的故障出现时刻。
优选地,所述步骤S5具体包括以下步骤:
S51:如果步骤S4中两个特征得到的结果均无异常窗口出现,判断电池组为正常状态;如果特征一得到的结果得到异常窗口,则判断电池组为异常状态;
S52:若S51判断结果为异常,获取实车BMS的报警时刻或者实车热失控的发生时刻;
S53:比较S51得到的故障出现时刻与S52得到的时刻,判断前者是否提前于后者。
优选地,所述步骤S6具体包括以下步骤:
S61:若S51判断结果为异常,则将处于状态最低值的单体确定为故障单体,处于状态最高值的温度探针为作为辅助判断异常单体位置的依据。
优选地,所述步骤S7具体包括以下步骤:
S71:根据特征一得到的故障时刻将时间窗口分为前期、中期和后期;
S72:计算电池包所有单体在三个阶段的单体状态偏度、峰度值;
S73:分析故障单体在三个阶段的离群情况,判断出电池故障原因,若三个阶段,异常单体均出现偏离其他单体的现象,则表明单体有明显的电压不一致;若前无,中有,后偏离程度加大,则表明单体存在缓慢发展性故障或不一致性程度加大;若前无,中无,后有,则表明单体出现突发性故障。
本发明的有益效果在于:
1、本发明是基于实车数据的诊断方法,无需大量建模和反复训练,复杂度较小足以应用于实车的在线故障诊断。
2、本发明能够提前于实车BMS报警信号和热失控发生时刻检测到故障发生。
3、本发明采用了状态差累积和的方法,相对于直接与固定阈值比较的方式,能够有效降低误报率。
4、本发明采用多特征输入,充分考虑了电池故障的复杂性和特征的交叉性,使得诊断鲁棒性和可靠性更高。
5、本发明的特征值预处理技术能够减少了异常数据和充点电工况对诊断算法的影响。
附图说明
为了更清楚地说明本发明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发明的一些实施例,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为本发明总体流程图;
图2为基于状态差累积和与阈值比较的方法实现故障时刻检测的流程图;
图3为电池故障原因判断的流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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。
在本发明的描述中,需要理解的是,术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
实施例:
参考图1,本发明提供了一种基于信号处理的电动汽车电池安全预警方法,该方法包括以下步骤:
S1:数据获取:获取各车型在报警前后的电池数据,具体包括电流、单体电压、探针温度和对应的报警信号数据,对所获数据进行数据前处理操作;
S2:特征提取:从获取的电池数据中提取表征电池实时状态的特征一和特征二,其特征一为单体电压,特征二为标准化后的探针温度,对特征一和特征二进行数据平滑处理;
S3:状态计算:根据未报警时刻下对应的特征一和特征二,基于状态表示法分别计算得到电池组各电池单体和温度探针在正常情况下的状态权重参数和状态值,接着按照设定的固定时间窗口长度划分特征,构建各个时间窗口下的特征矩阵,参考正常情况下的状态权重参数,计算各个时间窗口下的电池组各电池单体状态值和温度探针状态值;
S4:状态评价:基于状态差累积和的方法,计算各个时间窗口下电池组各单体状态值与其对应的正常状态值之间差值的累积和,将状态差累积和与阈值进行比较,判定是否存在有异常的窗口,通过异常窗口得到电池组出现异常的时刻,以及得到温度对应的故障时刻作为电池包故障诊断的辅助判断依据;
S5:电池组提前检测:将故障时刻与实车BMS报警时刻、实车热失控发生时刻进行对比,判断是否实现提前预警;
S6:故障单体定位:处于状态最低值的单体确定为故障单体,处于状态最高值的温度探针为作为辅助判断故障单体位置的依据;
S7:故障原因判断:以单体异常出现时刻为节点,将所有样本长度划分为前、中、后三个阶段,计算电池组各单体状态在各个时间段的峰度值和偏度值,分析故障单体的离群情况,判断出电池故障原因。
作为一种可选的实施例,所述步骤S1具体包括以下步骤:
S11:提取不同车型实车的历史数据,包括电流、单体电压、探针温度和对应的报警信号数据;
S12:将各车型的数据按是否发生报警进行分类,得到各车型在未报警时的电池数据和报警时的电池数据;
S13:对所提取的数据进行去重补漏、采集异常点剔除数据前处理。
作为一种可选的实施例,所述步骤S2具体包括以下步骤:
S21:选择单体电压和探针温度作为原始特征;
S22:构建单体电压矩阵Am×n
Figure BDA0003487919650000071
其中,n为电池组中电池单体数,m为电池单体的电压的采样时刻,vi,j为第i个采样时刻下第j号电池单体电压值,i=1,2,...,m,j=1,2,...,n;
S23:将单体电压标准化后构建特征向量Ai,作为特征一;
xi=(ei1,...,eij,...,ein)
Figure BDA0003487919650000072
Ai=(vi1,...,vij,...,vin)
其中,xi是第i个采样时刻下的特征向量,eij为第i个采样时刻下的第j号电池单体标准化后的电压,vij为第i个采样时刻下的第j号电池单体预处理后的电压,Ai为第i个采样时刻下的电池单体电压向量,|Ai|为Ai的模长。
S24:对特征向量进行平滑处理;
S25:将单体电压换为探针温度,重复步骤S22~S24,构建标准化后的探针温度特征向量,作为特征二。
作为一种可选的实施例,所述步骤S3具体包括以下步骤:
S31:确定时间窗口长度为g=2个数据采样点长度;
S32:构建每个时间窗口下的单体电压特征矩阵为Gl为;
Gl=Xl×Xl T
Figure BDA0003487919650000073
其中,Gl是第l个时间窗口下的单体电压的特征矩阵,Xl是第l个时间窗口下的特征矩阵,
Figure BDA0003487919650000074
为第l个时间窗口下第i个采样时刻中的第j号电池单体电压;
S33:根据最小二乘误差目标函数,计算第一个窗口下的单体电压的状态矩阵G1对应的基准参数向量λ为:
λ=(λ1...λj...λn)T
其中,λj是第一个时间窗口下的第j号单体电压对应的参数权重;
S34:计算第一个窗口下的单体电压的状态矩阵对应的基准状态向量ζ1为:
Figure BDA0003487919650000081
其中,f(λ,x)是电池状态函数,ζ1j是第一个时间窗口下的第j号单体电压的特征;
步骤S34中,最小二乘误差目标函数为:
Figure BDA0003487919650000082
约束条件:
Figure BDA0003487919650000083
其中,I表示n×n的单位矩阵,e是n×1的单位向量,eT是e的转置。
S35:计算各个时间窗口下的电池包各电池单体的状态向量,第l个时间窗口下的状态向量ζl为:
Figure BDA0003487919650000084
S36:将电压特征矩阵换为探针温度特征矩阵,重复步骤S32~S35,得到特征二对应的基准参数向量和各个时间窗口下的状态向量。
请参阅图2,基于状态差累积和与阈值比较的方法实现故障时刻的检测的具体步骤为:
S41:计算特征一第l个时间窗口下的状态向量ζl与基准状态向量ζ1的状态差矩阵rl
rl=ζl1=((ζl111),...,(ζli1i),...,(ζln1n))T,l=2,3...
S42:计算状态差最大似然比的累积和;
Figure BDA0003487919650000091
Figure BDA0003487919650000092
式中,r表示状态差,s(r)表示状态差对数似然比,
Figure BDA0003487919650000093
以及
Figure BDA0003487919650000094
分别表示有故障假设H1和无故障假设H0下的概率密度函数,z表示状态差的具体值,μ0
Figure BDA0003487919650000095
分别是未报警时刻下电池包状态中位数的平均值和方差,μ1
Figure BDA0003487919650000096
分别是报警时刻下电池包状态最小值的平均值和方差,Si表示第i个时间窗口下单体状态差最大值的最大似然比累积和。
S43:根据最大似然比累积和与阈值进行比较,进而进行状态异常判断;
Figure BDA0003487919650000097
式中,J表示报警阈值,通过大量的统计结果最终校准。故障检测信号d=1表示电池包出现异常,d=0表示无电池包异常;
S44:根据步骤S43中得到的异常窗口,对应到数据采样时刻,得到电池组故障出现时刻tf1
S45:将电压特征矩阵换为探针温度特征矩阵,重复步骤S41~S44,得到特征二对应的故障出现时刻tf2
作为一种可选的实施例,所述步骤S5具体包括以下步骤:
S51:如果步骤S4中两个特征得到的结果均无异常窗口出现,判断电池组为正常状态;如果特征一得到的结果得到异常窗口(不论特征二的结果),则判断电池组为异常状态;
S52:若S51判断结果为异常,获取实车BMS的报警时刻或者实车热失控的发生时刻;
S53:比较S51得到的故障出现时刻与S52得到的时刻,判断前者是否提前于后者。
作为一种可选的实施例,所述步骤S6具体包括以下步骤:
S61:若S51判断结果为异常,则将处于状态最低值的单体确定为故障单体,处于状态最高值的温度探针为作为辅助判断异常单体位置的依据。
请参阅图3,电池包故障原因判断的具体步骤为:
S71:根据故障时刻tf1将时间窗口分为前期、中期和后期,前期为
Figure BDA0003487919650000101
中期为
Figure BDA0003487919650000102
后期为tf1-m;
S72:计算电池包所有单体在三个阶段的单体状态偏度、峰度值;
计算电池包所有单体在三个阶段的单体状态偏度值:
Figure BDA0003487919650000103
Figure BDA0003487919650000104
Figure BDA0003487919650000105
式中,Skfj、Skmj、Skrj分别表示前、中、后期的偏度,μfj、μlj、μrj表示前、中、后期j号单体状态平均值,ζlj表示l个时间窗口下第j号单体状态,n1、n2、n3表示前、中、后期的时间窗口数;
计算电池包所有单体在三个阶段的单体状态峰度值:
Figure BDA0003487919650000106
Figure BDA0003487919650000107
Figure BDA0003487919650000108
式中,Kfj、Kmj、Krj分别表示前、中、后期的单体状态峰度值。
S73:分析故障单体在三个阶段的离群情况,判断出电池故障原因,若三个阶段,异常单体均出现偏离其他单体的现象,则表明单体有明显的电压不一致;若前无,中有,后偏离程度加大,则表明单体存在缓慢发展性故障或不一致性程度加大;若前无,中无,后有,则表明单体出现突发性故障。
本发明一种基于信号处理的电动汽车电池安全预警方法是基于实车数据的诊断方法,无需大量建模和反复训练,复杂度较小足以应用于实车的在线故障诊断。
本发明能够提前于实车BMS报警信号和热失控发生时刻检测到故障发生。
本发明采用了状态差累积和的方法,相对于直接与固定阈值比较的方式,能够有效降低误报率。
本发明采用多特征输入,充分考虑了电池故障的复杂性和特征的交叉性,使得诊断鲁棒性和可靠性更高。
本发明的特征值预处理技术能够减少了异常数据和充点电工况对诊断算法的影响。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。

Claims (8)

1.一种基于信号处理的电动汽车电池安全预警方法,其特征在于,该方法包括以下步骤:
S1:数据获取:获取各车型在报警前后的电池数据,具体包括电流、单体电压、探针温度和对应的报警信号数据,对所获数据进行数据前处理操作;
S2:特征提取:从获取的电池数据中提取表征电池实时状态的特征一和特征二,其特征一为单体电压,特征二为标准化后的探针温度,对特征一和特征二进行数据平滑处理;
S3:状态计算:根据未报警时刻下对应的特征一和特征二,基于状态表示法分别计算得到电池组各电池单体和温度探针在正常情况下的状态权重参数和状态值,接着按照设定的固定时间窗口长度划分特征,构建各个时间窗口下的特征矩阵,参考正常情况下的状态权重参数,计算各个时间窗口下的电池组各电池单体状态值和温度探针状态值;
S4:状态评价:基于状态差累积和的方法,计算各个时间窗口下电池组各单体状态值与其对应的正常状态值之间差值的累积和,将状态差累积和与阈值进行比较,判定是否存在有异常的窗口,通过异常窗口得到电池组出现异常的时刻,以及得到温度对应的故障时刻作为电池包故障诊断的辅助判断依据;
S5:电池组提前检测:将故障时刻与实车BMS报警时刻、实车热失控发生时刻进行对比,判断是否实现提前预警;
S6:故障单体定位:处于状态最低值的单体确定为故障单体,处于状态最高值的温度探针为作为辅助判断故障单体位置的依据;
S7:故障原因判断:以单体异常出现时刻为节点,将所有样本长度划分为前、中、后三个阶段,计算电池组各单体状态在各个时间段的峰度值和偏度值,分析故障单体的离群情况,判断出电池故障原因。
2.如权利要求1所述的一种基于信号处理的电动汽车电池安全预警方法,其特征在于,步骤S1具体包括以下步骤:
S11:提取不同车型实车的历史数据,包括电流、单体电压、探针温度和对应的报警信号数据;
S12:将各车型的数据按是否发生报警进行分类,得到各车型在未报警时的电池数据和报警时的电池数据;
S13:对所提取的数据进行去重补漏、采集异常点剔除数据前处理。
3.如权利要求1所述的一种基于信号处理的电动汽车电池安全预警方法,其特征在于,所述步骤S2具体包括以下步骤:
S21:选择单体电压和探针温度作为原始特征;
S22:构建单体电压矩阵;
S23:将单体电压标准化后构建特征向量,作为特征一;
S24:对特征向量进行平滑处理;
S25:将单体电压换为探针温度,重复步骤S22~S24,构建标准化后的探针温度特征向量,作为特征二。
4.如权利要求1所述的一种基于信号处理的电动汽车电池安全预警方法,其特征在于,所述步骤S3具体包括以下步骤:
S31:确定时间窗口长度为g个数据采样点长度;
S32:构建每个时间窗口下的单体电压特征矩阵;
S33:根据最小二乘误差目标函数,计算第一个窗口下的单体电压的状态矩阵对应的基准参数向量;
S34:计算第一个窗口下的单体电压的状态矩阵对应的基准状态向量;
S35:计算各个时间窗口下的电池包各电池单体的状态向量;
S36:将电压特征矩阵换为探针温度特征矩阵,重复步骤S32~S35,得到特征二对应的基准参数向量和各个时间窗口下的状态向量。
5.如权利要求1所述的一种基于信号处理的电动汽车电池安全预警方法,其特征在于,所述步骤S4具体包括以下步骤:
S41:计算特征一各个时间窗口下的状态与对应的基准状态的差值;
S42:计算状态差最大似然比的累积和;
S43:根据最大似然比累积和与阈值进行比较,进而进行状态异常判断;
S44:根据步骤S43中得到的异常窗口,对应到数据采样时刻,得到电池组故障出现时刻;
S45:将电压特征矩阵换为探针温度特征矩阵,重复步骤S41~S44,得到特征二对应的故障出现时刻。
6.如权利要求1所述的一种基于信号处理的电动汽车电池安全预警方法,其特征在于,所述步骤S5具体包括以下步骤:
S51:如果步骤S4中两个特征得到的结果均无异常窗口出现,判断电池组为正常状态;如果特征一得到的结果得到异常窗口,则判断电池组为异常状态;
S52:若S51判断结果为异常,获取实车BMS的报警时刻或者实车热失控的发生时刻;
S53:比较S51得到的故障出现时刻与S52得到的时刻,判断前者是否提前于后者。
7.如权利要求1所述的一种基于信号处理的电动汽车电池安全预警方法,其特征在于,所述步骤S6具体包括以下步骤:
S61:若S51判断结果为异常,则将处于状态最低值的单体确定为故障单体,处于状态最高值的温度探针为作为辅助判断异常单体位置的依据。
8.如权利要求1所述的一种基于信号处理的电动汽车电池安全预警方法,其特征在于,所述步骤S7具体包括以下步骤:
S71:根据特征一得到的故障时刻将时间窗口分为前期、中期和后期;
S72:计算电池包所有单体在三个阶段的单体状态偏度、峰度值;
S73:分析故障单体在三个阶段的离群情况,判断出电池故障原因,若三个阶段,异常单体均出现偏离其他单体的现象,则表明单体有明显的电压不一致;若前无,中有,后偏离程度加大,则表明单体存在缓慢发展性故障或不一致性程度加大;若前无,中无,后有,则表明单体出现突发性故障。
CN202210088062.7A 2022-01-25 2022-01-25 一种基于信号处理的电动汽车电池安全预警方法 Active CN114559819B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210088062.7A CN114559819B (zh) 2022-01-25 2022-01-25 一种基于信号处理的电动汽车电池安全预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210088062.7A CN114559819B (zh) 2022-01-25 2022-01-25 一种基于信号处理的电动汽车电池安全预警方法

Publications (2)

Publication Number Publication Date
CN114559819A true CN114559819A (zh) 2022-05-31
CN114559819B CN114559819B (zh) 2023-10-13

Family

ID=81712897

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210088062.7A Active CN114559819B (zh) 2022-01-25 2022-01-25 一种基于信号处理的电动汽车电池安全预警方法

Country Status (1)

Country Link
CN (1) CN114559819B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114137418A (zh) * 2021-11-29 2022-03-04 中国南方电网有限责任公司超高压输电公司昆明局 蓄电池性能识别方法、装置、计算机设备和存储介质
CN114487850A (zh) * 2022-01-25 2022-05-13 重庆标能瑞源储能技术研究院有限公司 一种基于实车数据的动力电池容量预测方法
CN115063905A (zh) * 2022-06-08 2022-09-16 中国第一汽车股份有限公司 车辆数据的处理方法和装置、存储介质及电子装置
CN115267589A (zh) * 2022-09-26 2022-11-01 陕西汽车集团股份有限公司 一种电动汽车电池故障多参数联合诊断方法
CN115649005A (zh) * 2022-09-21 2023-01-31 岚图汽车科技有限公司 电池温度采样故障预警方法、系统、电子设备及存储介质
CN115863795A (zh) * 2022-12-06 2023-03-28 北汽福田汽车股份有限公司 数据处理方法、数据处理装置、车辆和存储介质
CN115946573A (zh) * 2022-12-06 2023-04-11 北汽福田汽车股份有限公司 电池电连接异常识别方法、装置、存储介质及新能源汽车
CN116400244A (zh) * 2023-04-04 2023-07-07 华能澜沧江水电股份有限公司 储能电池的异常检测方法及装置
CN117922301A (zh) * 2024-03-25 2024-04-26 北京厚方科技有限公司 一种适用于新能源汽车的电池供电安全监管系统

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011027608A (ja) * 2009-07-28 2011-02-10 Denso Corp 組電池の状態監視装置
JP2012085455A (ja) * 2010-10-13 2012-04-26 Toyota Motor Corp 電池の故障判定装置
CN103339785A (zh) * 2011-01-24 2013-10-02 丰田自动车株式会社 蓄电系统
CN106469927A (zh) * 2015-08-17 2017-03-01 福特全球技术公司 基于电压的电池热状态的早期警告
WO2018030704A1 (ko) * 2016-08-12 2018-02-15 주식회사 엘지화학 배터리 팩을 위한 온도 모니터링 장치 및 방법
KR20180025745A (ko) * 2016-09-01 2018-03-09 현대자동차주식회사 배터리셀 전압 편차 검출장치 및 그 방법
CN110370984A (zh) * 2019-06-26 2019-10-25 清华大学 动力电池热失控预警方法
CN110531276A (zh) * 2019-09-05 2019-12-03 山东鼎瑞新能源科技有限公司 电池状况检测方法及装置
WO2020087285A1 (zh) * 2018-10-30 2020-05-07 深圳市大疆创新科技有限公司 电池连接器健康状态的检测系统与方法、无人机
CN112965001A (zh) * 2021-02-09 2021-06-15 重庆大学 一种基于实车数据的动力电池组故障诊断方法
CN116466241A (zh) * 2023-05-06 2023-07-21 重庆标能瑞源储能技术研究院有限公司 一种单体电池热失控定位方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011027608A (ja) * 2009-07-28 2011-02-10 Denso Corp 組電池の状態監視装置
JP2012085455A (ja) * 2010-10-13 2012-04-26 Toyota Motor Corp 電池の故障判定装置
CN103339785A (zh) * 2011-01-24 2013-10-02 丰田自动车株式会社 蓄电系统
CN106469927A (zh) * 2015-08-17 2017-03-01 福特全球技术公司 基于电压的电池热状态的早期警告
WO2018030704A1 (ko) * 2016-08-12 2018-02-15 주식회사 엘지화학 배터리 팩을 위한 온도 모니터링 장치 및 방법
KR20180025745A (ko) * 2016-09-01 2018-03-09 현대자동차주식회사 배터리셀 전압 편차 검출장치 및 그 방법
WO2020087285A1 (zh) * 2018-10-30 2020-05-07 深圳市大疆创新科技有限公司 电池连接器健康状态的检测系统与方法、无人机
CN110370984A (zh) * 2019-06-26 2019-10-25 清华大学 动力电池热失控预警方法
CN110531276A (zh) * 2019-09-05 2019-12-03 山东鼎瑞新能源科技有限公司 电池状况检测方法及装置
CN112965001A (zh) * 2021-02-09 2021-06-15 重庆大学 一种基于实车数据的动力电池组故障诊断方法
CN116466241A (zh) * 2023-05-06 2023-07-21 重庆标能瑞源储能技术研究院有限公司 一种单体电池热失控定位方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
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 *
陈泽宇;熊瑞;孙逢春;: "电动汽车电池安全事故分析与研究现状", 机械工程学报, no. 24 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114137418B (zh) * 2021-11-29 2024-08-06 中国南方电网有限责任公司超高压输电公司昆明局 蓄电池性能识别方法、装置、计算机设备和存储介质
CN114137418A (zh) * 2021-11-29 2022-03-04 中国南方电网有限责任公司超高压输电公司昆明局 蓄电池性能识别方法、装置、计算机设备和存储介质
CN114487850A (zh) * 2022-01-25 2022-05-13 重庆标能瑞源储能技术研究院有限公司 一种基于实车数据的动力电池容量预测方法
CN115063905A (zh) * 2022-06-08 2022-09-16 中国第一汽车股份有限公司 车辆数据的处理方法和装置、存储介质及电子装置
CN115649005A (zh) * 2022-09-21 2023-01-31 岚图汽车科技有限公司 电池温度采样故障预警方法、系统、电子设备及存储介质
CN115267589A (zh) * 2022-09-26 2022-11-01 陕西汽车集团股份有限公司 一种电动汽车电池故障多参数联合诊断方法
CN115267589B (zh) * 2022-09-26 2023-01-06 陕西汽车集团股份有限公司 一种电动汽车电池故障多参数联合诊断方法
CN115863795A (zh) * 2022-12-06 2023-03-28 北汽福田汽车股份有限公司 数据处理方法、数据处理装置、车辆和存储介质
CN115863795B (zh) * 2022-12-06 2023-09-12 北汽福田汽车股份有限公司 数据处理方法、数据处理装置、车辆和存储介质
CN115946573B (zh) * 2022-12-06 2024-06-04 北汽福田汽车股份有限公司 电池电连接异常识别方法、装置、存储介质及新能源汽车
CN115946573A (zh) * 2022-12-06 2023-04-11 北汽福田汽车股份有限公司 电池电连接异常识别方法、装置、存储介质及新能源汽车
CN116400244A (zh) * 2023-04-04 2023-07-07 华能澜沧江水电股份有限公司 储能电池的异常检测方法及装置
CN116400244B (zh) * 2023-04-04 2023-11-21 华能澜沧江水电股份有限公司 储能电池的异常检测方法及装置
CN117922301A (zh) * 2024-03-25 2024-04-26 北京厚方科技有限公司 一种适用于新能源汽车的电池供电安全监管系统
CN117922301B (zh) * 2024-03-25 2024-05-24 北京厚方科技有限公司 一种适用于新能源汽车的电池供电安全监管系统

Also Published As

Publication number Publication date
CN114559819B (zh) 2023-10-13

Similar Documents

Publication Publication Date Title
CN114559819B (zh) 一种基于信号处理的电动汽车电池安全预警方法
CN110018425B (zh) 一种动力电池故障诊断方法及系统
CN112858919B (zh) 一种基于聚类分析的电池系统在线故障诊断方法和系统
US20220381849A1 (en) Multi-fault diagnosis method and system for battery packs based on corrected sample entropy
CN113255848B (zh) 基于大数据学习的水轮机空化声信号辨识方法
CN112906744B (zh) 一种基于孤立森林算法的故障单体电池识别方法
CN112327167B (zh) 一种电池容量跳水风险评估方法及系统
CN113791350B (zh) 电池故障预测方法
CN112327191B (zh) 一种基于几何特征融合决策的电池跳水概率评估方法
CN111257753B (zh) 一种电池系统故障诊断方法
CN111273125A (zh) 基于rst-cnn的电力电缆沟道故障诊断方法
CN117341476B (zh) 一种电池压差故障预警方法及系统
CN113459894A (zh) 一种电动汽车电池安全预警方法及系统
CN114036647A (zh) 一种基于实车数据的动力电池安全风险评估方法
CN114565008A (zh) 基于长短时记忆自编码器的锂电池异常检测方法
CN115792634A (zh) 一种基于云端在线数据的电池单体电压采样故障识别方法
CN114460481B (zh) 基于Bi-LSTM和注意力机制的储能电池热失控预警方法
CN111537893A (zh) 一种锂离子电池模组运行安全的评测方法、系统及电子设备
Wu et al. Research on short-circuit fault-diagnosis strategy of lithium-ion battery in an energy-storage system based on voltage cosine similarity
CN117407824B (zh) 一种电力时间同步装置的健康检测方法、设备和介质
Wang et al. An inconsistency fault diagnosis method for lithium-ion cells in the battery pack based on piecewise dimensionality reduction and outlier identification
Ren et al. Multi-fault diagnosis strategy based on a non-redundant interleaved measurement circuit and improved fuzzy entropy for the battery system
Li et al. A Quantitative Fault Diagnosis Method for Lithium-ion Battery Based on MD-LSTM
Xie et al. A Fault Prognosis Model of Battery Packs of Electric Vehicles based on Long Short-term Memory Neural Networks
CN117007971B (zh) 电池故障诊断方法、装置及系统

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